ICAFS: 垂直連結学習のためのクライアント間認識機能選択

科学分野:

• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• データサイエンス データサイエンス
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• Vertical Federated Learning (VFL) は,クライアント間で分割されたデータに関するコラボレーションモデルのトレーニングを可能にします.
• Feature Selection (FS) は,クライアント全体で分散され,異なる機能サブセットがあるため,VFLでは非常に重要です.
• VFLの既存のFS方法は,クライアント間の重要な機能の相互作用をしばしば無視し,モデルのパフォーマンスを制限します.

研究 の 目的:

• Vertical Federated Learning (VFL) のための効果的な機能選択 (FS) メソッドを開発し,クライアント間機能の相互作用を考慮します.
• VFLにおける強化されたFSのためのICAFSという新しい多段階アンサンブルアプローチを導入する.
• VFLにおける予測精度を向上させるため,クライアント内を中心としたFSの限界に対処する.

主な方法:

• VFLにおける機能選択のための複数の段階のアンサンブルアプローチであるICAFSを導入しました.
• 条件付き特性の合成と複数の学習可能な特性の選択器を使用した.
• 合成の埋め込みを使用して,プライベートグラデント共有を回避して,エンサンブルFSを容易にしました.

主要な成果:

• ICAFSは,予測の精度において,最先端の方法と比較して優れたパフォーマンスを示しました.
• 複数の現実世界のデータセットでの実験により,提案された方法の有効性が検証されました.
• このアプローチは,実際のデータから派生した洗練された組み込みでモデルトレーニングを可能にします.

結論:

• ICAFSは,クライアント間機能の相互作用を考慮することによって,垂直連盟学習における機能選択のための効果的なソリューションを提供します.
• 提案された方法は,プライベート・グラデント・シェアリングを通じてデータプライバシーを損なうことなく,モデルのパフォーマンスを向上させます.
• ICAFSは,高度な機能選択を通じて予測精度を向上させ,VFLにおける重要な進歩を表しています.