Apprentissage fédéré bayésien (Bfl) permet la quantification de l'incertitude et
Adaptation robuste dans l'apprentissage distribué. Contrairement au fréquenceur
approche, il estime la distribution postérieure d'un modèle global, offre
aperçu de la fiabilité du modèle. Cependant, Les méthodes BFL actuelles négligent continuellement
Défis d'apprentissage dans des environnements dynamiques où les distributions de données se déplacent
temps. Nous proposons un cadre BFL continu appliqué à la détection humaine avec un radar
données collectées sur plusieurs jours. En utilisant le gradient stochastique Langevin Dynamics
(SGLD), Notre approche met à jour séquentiellement le modèle, Tirer parti des postérieurs passés
Pour construire le précédent pour les nouvelles tâches. Nous évaluons la précision, les attendus
erreur d'étalonnage (ECE) et la vitesse de convergence de notre approche contre
plusieurs lignes de base. Les résultats mettent en évidence l'efficacité du bayésien continu
Mises à jour de la préservation des connaissances et de l'adaptation à l'évolution des données.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: