★ 3
贝叶斯神经网络全协方差平滑方法用于在线自适应
论文将神经网络各层视为状态空间模型的时间步，把贝叶斯训练转化为平滑问题：前向传播高斯矩，反向 RTS 平滑以闭式更新权重后验。既有方法仅限对角协方差、丢弃神经元间相关性，作者通过交叉协方差恒等式实现全协方差在非线性激活中的传播。该方法在非平稳分类、在线动力学学习与视觉-语言-动作模型策略自适应中普…
arXiv cs.LG39 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文将神经网络各层视为状态空间模型的时间步，把贝叶斯训练转化为平滑问题：前向传播高斯矩，反向 RTS 平滑以闭式更新权重后验。既有方法仅限对角协方差、丢弃神经元间相关性，作者通过交叉协方差恒等式实现全协方差在非线性激活中的传播。该方法在非平稳分类、在线动力学学习与视觉-语言-动作模型策略自适应中普…
论文提出部署一致的认证框架，通过部署聚合规则传播本地后验事件，为一次性联邦贝叶斯学习提供安全概率下界，并对 FedAvg 给出精确几何刻画。每个客户端构建不相交超矩形区域并计算概率质量，服务器形成笛卡尔积并仅保留满足安全属性的乘积事件。实验显示传输式 FedAvg 证书为 22.51%-46.89…