通过后验微调实现可信的个性化贝叶斯联邦学习
机器学习
2024-02-28 v1 计算机视觉与模式识别
摘要
由于数据异构性导致的性能下降和输出可解释性低是联邦学习在实际应用中面临的最大挑战。个性化联邦学习不同于传统方法，它不再寻求训练单一模型，而是为每个客户端定制独特的个性化模型。然而，以往的工作仅从神经网络参数的角度关注个性化，缺乏鲁棒性和可解释性。在本工作中，我们建立了一个新颖的个性化联邦学习框架，融合了贝叶斯方法，增强了算法量化不确定性的能力。此外，我们引入归一化流（normalizing flow）从参数后验的角度实现个性化，并从理论上分析了归一化流对贝叶斯神经网络分布外（OOD）检测的影响。最后，我们在异构数据集上评估了我们的方法，实验结果表明，新算法不仅提高了准确性，而且由于贝叶斯方法的可靠输出，在 OOD 检测方面显著优于基线。
引用
@article{arxiv.2402.16911,
title = {Trustworthy Personalized Bayesian Federated Learning via Posterior Fine-Tune},
author = {Mengen Luo and Chi Xu and Ercan Engin Kuruoglu},
journal= {arXiv preprint arXiv:2402.16911},
year = {2024}
}