GLOBAFED

新的GLOBAFED框架通过神经网络增强了联邦贝叶斯优化

研究人员推出了一种名为GLOBAFED的新框架，旨在通过实现具有不同目标代理之间的高效知识迁移来改进联邦贝叶斯优化（FedBO）。该方法利用一个具有共享特征提取主干和代理特定头的概率神经网络，并采用变分贝叶斯方法进行不确定性估计。GLOBAFED通过联邦学习促进了对通用潜在特征表示的协作学习，使代理能够在保持隐私的同时适应其独特目标。实证结果表明，GLOBAFED在收敛速度和最终性能方面优于现有的FedBO方法。