PulseAugur
中
实时 19:27:30
English(EN) Variational Consensus Monte Carlo for Bayesian Mixture

揭示用于贝叶斯混合模型的新联邦学习方法

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种用于在联邦学习环境中推断贝叶斯混合模型的新流程，通过允许数据保持隔离来解决隐私问题。该方法将变分共识蒙特卡洛 (CMC) 扩展到过度拟合模型，能够在无共轭的情况下推断簇数量和参数。它还引入了新颖的簇匹配算法，用于在簇可能不会出现在每个本地数据集中的跨数据孤岛场景，并提供了针对不同联邦学习约束量身定制的各种推断策略。 AI

影响 这项研究推进了机器学习的隐私保护技术，可能促成对敏感数据进行更具协作性的分析。

排序理由 该集群包含一篇详细介绍新统计方法的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

揭示用于贝叶斯混合模型的新联邦学习方法

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Julie Fendler, Francesca L. Crowe, Tom Marshall, Sylvia Richardson, Paul D. W. Kirk ·

    Variational Consensus Monte Carlo for Bayesian Mixture

    arXiv:2606.19643v1 Announce Type: new Abstract: Motivated by the privacy, sensitivity and sharing limitations of health data, we present a comprehensive pipeline for inference of Bayesian mixture models within a federated learning setting, i.e. when data cannot be fully shared or…

  2. arXiv stat.ML TIER_1 English(EN) · Paul D. W. Kirk ·

    用于贝叶斯混合的变分共识蒙特卡洛

    Motivated by the privacy, sensitivity and sharing limitations of health data, we present a comprehensive pipeline for inference of Bayesian mixture models within a federated learning setting, i.e. when data cannot be fully shared or pooled across compute nodes. We adopt a Consens…

相关实体

相关话题