GLOBAFED：联邦贝叶斯优化知识迁移框架
热点事件观察中
GLOBAFED：联邦贝叶斯优化知识迁移框架
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Alexander Gräfe 等作者提出联邦贝叶斯优化框架 GLOBAFED，让不同但相关的优化目标之间迁移知识，同时不暴露原始数据。 其做法是用概率神经网络代理：各智能体在共享特征提取主干上做联邦学习，构建共同的潜在特征表示，再用智能体专属头适配各自目标，并由变分贝叶斯末层给出不确定性估计。 作者称实验显示，GLOBAFED 的收敛速度和最终性能均优于现有 FedBO 基线，还能用已学到的全局特征热启动优化。
AI 根据报道生成 · 10 小时前更新
最新进展11月14日 13:00
GLOBAFED：用神经网络代理实现联邦贝叶斯优化中的高效知识迁移报道时间线
沿着报道，了解事件的不同侧面。
11月14日
- arXiv cs.AIGLOBAFED：用神经网络代理实现联邦贝叶斯优化中的高效知识迁移
GLOBAFED 框架通过带共享特征提取主干和智能体专属头的概率神经网络代理，在联邦贝叶斯优化中实现不同但相关目标间的知识迁移，无需暴露原始数据。智能体在共享主干上做联邦学习构建共同潜在特征表示，专属头适配各自目标，并借助变分贝叶斯末层给出不确定性估计。实验显示其收敛速度和最终性能均优于现有 FedBO 基线，还能用已学到的全局特征热启动优化。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 711月15日 04:00
- 近 24 小时变化
- –
02468
04:0006:0008:0010:0012:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。