一种用于多机构信用评分的垂直联邦学习方法：MICS
机器学习
2021-11-18 v1
摘要
随着越来越多的公司存储其客户数据，一个人的各种信息分布在众多公司的数据库中。不同工业部门拥有关于相同客户的不同特征。此外，同一工业部门内的不同公司拥有关于客户的类似数据但数据表示不同。来自不同工业部门的公司之间称为垂直合作，以及同一部门内公司之间称为水平合作，可以带来更准确的机器学习模型和更好的信用评分等任务估计。然而，数据隐私法规和不同数据表示的兼容性问题是对合作模型训练的巨大障碍。通过提出训练框架MICS并在多个数值数据集上实验，我们表明公司会有动机与其部门内其他公司以及其他工业部门合作，联合训练更鲁棒和准确的全局模型，而无需显式共享其客户的私有数据。
引用
@article{arxiv.2111.09038,
title = {A Vertical Federated Learning Method For Multi-Institutional Credit Scoring: MICS},
author = {Yusuf Efe},
journal= {arXiv preprint arXiv:2111.09038},
year = {2021}
}
备注
IEEE TUAC Conference