Bayesian Federated Learning: A Survey

要約

タイトル：Bayesian Federated Learning：サーベイ
要約：
– Federated learning(FL)は、プライバシーを保護しながら分散基盤、通信、コンピューティング、および学習を統合することで優位性を発揮します。
– しかし、限られた動的データ、複雑性（異質性および不確実性を含む）、および解析的説明可能性などの問題により、既存のFL方法の堅牢性と能力が問われています。
– ベイズFederated Learning(BFL)は、これらの問題に対処する有望なアプローチとして登場しました。
– この調査では、BFLの基本的な概念、FLのコンテキストでのベイズ学習への関連性、およびBFLの分類法について批判的な概要を提示しています。
– クライアント側、サーバー側、およびFLベースのBFL方法とその長所と短所を分類し、議論します。
– 既存のBFL方法の限界と、現実的なFLアプリケーションの複雑な要件に対応するためのBFL研究の将来的な方向性についても言及しています。

要約(オリジナル)

Federated learning (FL) demonstrates its advantages in integrating distributed infrastructure, communication, computing and learning in a privacy-preserving manner. However, the robustness and capabilities of existing FL methods are challenged by limited and dynamic data and conditions, complexities including heterogeneities and uncertainties, and analytical explainability. Bayesian federated learning (BFL) has emerged as a promising approach to address these issues. This survey presents a critical overview of BFL, including its basic concepts, its relations to Bayesian learning in the context of FL, and a taxonomy of BFL from both Bayesian and federated perspectives. We categorize and discuss client- and server-side and FL-based BFL methods and their pros and cons. The limitations of the existing BFL methods and the future directions of BFL research further address the intricate requirements of real-life FL applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI