贝叶斯联邦学习：综述
机器学习
2023-04-27 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）在以保护隐私的方式整合分布式基础设施、通信、计算与学习方面展现出其优势。然而，现有 FL 方法的鲁棒性和能力受到有限且动态的数据与条件、包括异质性和不确定性在内的复杂性，以及分析可解释性的挑战。贝叶斯联邦学习（BFL）已成为解决这些问题的一种有前景的方法。本综述对 BFL 进行了批判性概览，包括其基本概念、其在 FL 背景下与贝叶斯学习的关系，以及从贝叶斯和联邦两个视角对 BFL 的分类。我们分类并讨论了客户端侧、服务器侧和基于 FL 的 BFL 方法及其优缺点。现有 BFL 方法的局限性和 BFL 研究的未来方向进一步回应了现实 FL 应用的复杂需求。
引用
@article{arxiv.2304.13267,
title = {Bayesian Federated Learning: A Survey},
author = {Longbing Cao and Hui Chen and Xuhui Fan and Joao Gama and Yew-Soon Ong and Vipin Kumar},
journal= {arXiv preprint arXiv:2304.13267},
year = {2023}
}
备注
Accepted by IJCAI 2023 Survey Track, copyright is owned to IJCAI