联邦广义变分推断：一个鲁棒的概率联邦学习框架
机器学习
2025-06-11 v3 机器学习
摘要
我们引入了 FedGVI，这是一个对先验和似然错误设定均具有鲁棒性的概率联邦学习框架。FedGVI 通过在模型错误设定下提供无偏预测和校准的不确定性量化，解决了频率学派和贝叶斯联邦学习的局限性。我们的方法通过允许鲁棒和共轭更新，推广了先前的联邦学习方法，特别是分区变分推断，降低了客户端的计算复杂度。我们在不动点收敛、空洞分布的最优性以及对似然错误设定的可证明鲁棒性方面提供了理论分析。此外，我们在多个合成和真实世界分类数据集上实证证明了 FedGVI 在提高鲁棒性和预测性能方面的有效性。
引用
@article{arxiv.2502.00846,
title = {Federated Generalised Variational Inference: A Robust Probabilistic Federated Learning Framework},
author = {Terje Mildner and Oliver Hamelijnck and Paris Giampouras and Theodoros Damoulas},
journal= {arXiv preprint arXiv:2502.00846},
year = {2025}
}
备注
Accepted at ICML 2025