联邦设置下的因果多标签特征选择
机器学习
2024-08-28 v2
摘要
多标签特征选择是处理高维多标签数据的有效手段。为了达到令人满意的性能，现有的多标签特征选择方法通常需要集中来自多个来源的大量数据。然而，在联邦设置下，集中所有来源的数据并将其合并为单一数据集是不可行的。为了解决这个问题，本文研究了联邦设置下因果多标签特征选择这一具有挑战性的问题，并提出了一种联邦因果多标签特征选择算法，包含三个新颖的子程序。具体而言，FedCMFS 首先使用 FedCFL 子程序，考虑标签-标签、标签-特征和特征-特征之间的相关性，在不集中数据且保护数据隐私的情况下，学习每个类标签的相关特征（候选父子节点）。其次，FedCMFS 采用 FedCFR 子程序选择性地恢复遗漏的真实相关特征。最后，FedCMFS 利用 FedCFC 子程序移除虚假的相关特征。在 8 个数据集上的广泛实验表明，FedCMFS 对联邦设置下的因果多标签特征选择是有效的。
引用
@article{arxiv.2403.06419,
title = {Causal Multi-Label Feature Selection in Federated Setting},
author = {Yukun Song and Dayuan Cao and Jiali Miao and Shuai Yang and Kui Yu},
journal= {arXiv preprint arXiv:2403.06419},
year = {2024}
}