Federated Imputation under Heterogeneous Feature Spaces

작성자

Haebom

카테고리

Empty

저자

Imane Hocine, Chaimaa Medjadji, Sylvain Kubler, Gregoire Danoy, Yves Le Traon

💡 개요

본 논문은 분산된 클라이언트 간의 특징 공간이 일치하지 않는 연합 학습 환경에서 발생하는 연합 결측치 대체 문제에 대한 새로운 프레임워크인 FedHF-Impute를 제안한다. FedHF-Impute는 구조적 특징 부재와 일반적인 결측치를 분리하고, 메시지 전달을 통해 통계적으로 연관된 특징 간에 정보를 전파하는 공유 전역 특징 그래프를 활용한다. 이를 통해 직접적으로 공동 관찰되지 않은 특징 간에도 클라이언트 간의 간접적인 지식 전달을 가능하게 한다.

🔑 시사점 및 한계

•

특징 공간이 이질적인 환경에서도 연합 학습을 통한 결측치 대체 성능을 크게 향상시킬 수 있다.

•

직접적으로 관찰되지 않은 특징 간에도 연합 학습을 통해 효과적으로 정보를 교환하고 활용할 수 있다.

•

시뮬레이션된 데이터셋에서 기존 연합 학습 기반 결측치 대체 방법 대비 우수한 성능을 입증하였으며, 일부 데이터셋에서는 최적의 기준선과 유사한 성능을 달성했다.

•

향후 연구에서는 더 복잡한 특징 공간의 이질성 및 다양한 실제 데이터셋에 대한 적용 가능성을 검증할 필요가 있다.

PDF 보기

Made with Slashpage