Apprendimento federato bayesiano (Bfl) consente la quantificazione dell'incertezza e
Adattamento robusto nell'apprendimento distribuito. Contrariamente al frequentista
approccio, Stima la distribuzione posteriore di un modello globale, offerta
approfondimenti sull'affidabilità del modello. Tuttavia, I metodi BFL attuali trascurano continui
sfide di apprendimento in ambienti dinamici in cui le distribuzioni dei dati si spostano
tempo. Proponiamo un quadro BFL continuo applicato al rilevamento umano con radar
Dati raccolti per diversi giorni. Utilizzo della dinamica di Langevin a gradiente stocastico
(Sgld), Il nostro approccio aggiorna in sequenza il modello, sfruttare i posteriori passati
per costruire il precedente per i nuovi compiti. Valutiamo l'accuratezza, il previsto
Errore di calibrazione (ECE) e la velocità di convergenza del nostro approccio contro
Diverse linee di base. I risultati evidenziano l'efficacia del bayesiano continuo
Aggiornamenti nella conservazione delle conoscenze e nell'adattamento all'evoluzione dei dati.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: