Mar, 2024

联邦设置下的因果多标签特征选择

PDF
TL;DR在分散设置中，本文研究了因果多标签特征选择的挑战性问题，并提出了一个包含三个新颖子程序的分散因果多标签特征选择 (FedCMFS) 算法，能够在不集中数据的情况下保持数据隐私，实现对相关特征的选择和移除，为分散设置中的因果多标签特征选择提供了一种有效的方法。
multi-label feature selectionfederated settingcausalalgorithmdata privacy
发现论文，激发创造
  • 基于信息论的物联网环境下的联邦多标签特征选择

    本文介绍了第一个针对物联网环境中分布式多标签数据集合的联合多标签特征选择方法 FMLFS，通过对边缘服务器上的度量的聚合和 Pareto 双目标策略以及拥挤距离策略，将排序后的特征返回给物联网设备，评估结果表明 FMLFS 在性能、时间复杂度和通信成本等方面优于其他五个可比较的方法。

    May, 2024

  • 自适应合作相关学习基于半监督多标签特征选择

    提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。

    Jun, 2024

  • 高效数据标注赋能硬件网络：一种聚类联邦半监督学习方法

    在集群联邦多任务学习 (CFL) 中，针对多个用户间的非独立同分布 (non-IID) 数据的统计挑战，Clustered Federated Semi-Supervised Learning (CFSL) 应用于更真实的分层无线网络 (HWN) 场景，通过引入适用于生成准确伪标签的专门模型算法，显著改善了测试准确性、标注准确性和标注延迟等关键指标，以适应数据的非独立同分布性质和无线边缘网络的独特特点。

    Jan, 2024

  • 公平因果特征选择

    提出了一种公平的因果特征选择算法，使用类特定的互信息评估每个类属性状态所包含的因果信息，以公正地确定每个类状态的因果特征。

    Jun, 2023

  • FedMT：混合标签联邦学习

    本文提出了面向混合标签的联邦学习方法，旨在解决不同中心之间标签的空间不匹配问题，并结合不同联邦学习方法，通过过参数化 ReLU 网络实现线性收敛的标签投影，通过基准和医学数据集验证理论分析的有效性。

    Oct, 2022

  • DRCFS：双重稳健因果特征选择

    DRCFS 是一种具有理论保证的双重稳健特征选择方法，可用于确定复杂系统中与目标变量高度相关的因果特征，特别是针对非线性和高维问题。

    Jun, 2023

  • FAST：面向联邦学习的快速自适应聚合技术进行多标签分类

    本文提出了一种基于聚类的多标签数据分配和一种新的聚合方法 —— 快速标签自适应聚合以解决多标签联邦学习中的分类问题。实验结果表明，该方法仅需要不到 50％的训练迭代和通信轮次即可超过最先进的联邦学习方法。

    Feb, 2023

  • MvFS: 多视图特征选择推荐系统

    多视角特征选择（MvFS）是一个选择推荐系统中信息性特征的方法，通过使用一个多视角网络并采用独立的重要性评分策略，以更加均衡的方式选择特征，解决了传统方法中易受主要特征偏倚的问题，实验证明其相较于现有方法具有更高的效果。

    Sep, 2023

  • 一种自适应核方法用于异构因果效应联邦学习

    提出了一个新的因果推断框架，用于在联邦设置中从多个分散的数据源中学习因果效应。通过使用随机傅里叶特征将损失函数分解为多个组件，介绍了一种自适应传输算法，学习数据源之间的相似性，并且估计源之间的相似度通过传输系数，因此无需先前的相似性量度信息，可在源之间独立且系统地整合异质性的因果效应，并提供最小最大下限来评估从不同数据源学习的参数的质量。在分布不同的分散数据源上，该方法实际上比基线方法表现更好。同时不会共享原始的训练数据，从而最小化隐私泄露风险。

    Jan, 2023

  • 医学图像分类中标签集不匹配的规模联合学习

    本研究提出了一种名为 FedLSM 的框架，用于在医学图像领域中解决标签集不匹配的问题，并在两个公共实际医学图像数据集上评估 FedLSM，证明其在分类精度上优于其他现有的 FL 算法。

    Apr, 2023