个性化联邦学习的概率模型：一种 PAC-Bayesian 方法
原文中文，约300字，阅读约需1分钟。发表于：。个性化联邦学习的 PAC-PFL 算法在一个 PAC-Bayesian 框架中应用差分隐私处理数据相关的先验概率，协同学习共享超后验，并将每个客户的后验推断视为个性化步骤，通过建立和最小化客户平均真实风险的泛化界限，有效地抑制过度拟合，从而实现准确和良好校准的预测。
本文介绍了pFedBayes，一种新型个性化联合学习方法，通过贝叶斯变分推理减轻模型过拟合问题。实验结果显示，pFedBayes在非i.i.d.有限数据下的MNIST、FMNIST和CIFAR-10上表现出色，分别提高了1.25%、0.42%和11.71%。
