本文介绍了联邦持续学习（FCL）和个性化联合学习方法pFedBayes，旨在解决数据隐私和模型过拟合问题。pFedBayes通过贝叶斯变分推理提升个性化模型性能，在多个数据集上优于其他先进算法。研究还探讨了贝叶斯联邦学习的应用及未来发展方向。

pFedBayes是一种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的问题。该方法在满足客户端全局分布的KL散度的同时，通过平衡私有数据的构造误差来更新其本地分布参数。实验结果表明，该方法在MNIST、FMNIST和CIFAR-10上表现出色，比其他SOTA算法的结果更好。

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的问题，并通过平衡私有数据的构造误差来更新其本地分布参数。实验结果表明，该方法在个性化模型方面表现出色，在MNIST、FMNIST和CIFAR-10上分别比其他SOTA算法的结果更好，分别提高了1.25%、0.42%和11.71%。

本文提出了一种鲁棒的不对称损失函数，解决长尾和多标签分类问题，适用于医学图像分类任务。该方法能够缓解超参数优化困难和模型过拟合的风险，实验证明在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，并在ICCV CVAMD 2023竞赛的CXR-LT数据集上取得Top-5结果。