改进后验网络的个性化联邦学习的狄利克雷基础不确定性量化
原文中文，约300字，阅读约需1分钟。发表于：。通过对预测的不确定性进行精确建模，本研究提出了一种新的联邦学习方法，能够选择在特定输入点上表现更好的全局模型和个性化模型，该模型在现实世界的图像数据集上进行的全面实验评估表明其在存在超领域数据的情况下表现优异，并且在标准场景中与最先进的个性化联邦学习算法相当。
本文介绍了一种名为pFedBayes的新型个性化联合学习方法，采用贝叶斯变分推理来减轻模型过拟合问题。实验结果表明，在非i.i.d.有限数据下，pFedBayes在MNIST、FMNIST和CIFAR-10上的表现优于其他个性化方法，分别提高了1.25%、0.42%和11.71%。
