研究者提出GLOBAFED联邦贝叶斯优化知识迁移框架

Alexander Gräfe 等研究者在 arXiv 发布论文（arXiv:2611.15707），提出 GLOBAFED 框架，用于联邦贝叶斯优化中跨不同但相关目标的知识迁移，且不泄露原始数据。 其核心方法是带共享特征提取骨干和智能体专属变分贝叶斯末层头部的概率神经网络代理，各智能体通过联邦学习共同构建共享潜在特征表示。论文称实验显示 GLOBAFED 相比现有 FedBO 基线显著加速收敛、取得更好的最终性能，并支持从已学到的全局特征热启动优化。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。