面向纵向联邦学习的核心集：正则化线性回归与 $K$-Means 聚类
机器学习
2022-10-27 v1 计算几何
分布式、并行与集群计算
数据结构与算法
摘要
纵向联邦学习 (VFL) 是机器学习中的一个重要领域，其数据特征分布式地存储在多方之中。然而，VFL 的通信复杂度通常非常高。在本文中，我们通过以分布式方式构建核心集，提出了一个用于通信高效 VFL 的统一框架。我们研究了 VFL 设置中的两个重要学习任务：正则化线性回归和 -means 聚类，并将我们的核心集框架应用于这两个问题。我们在理论上表明，使用核心集可以大幅降低通信复杂度，同时几乎保持解的质量。我们进行了数值实验以证实我们的理论发现。
引用
@article{arxiv.2210.14664,
title = {Coresets for Vertical Federated Learning: Regularized Linear Regression and $K$-Means Clustering},
author = {Lingxiao Huang and Zhize Li and Jialin Sun and Haoyu Zhao},
journal= {arXiv preprint arXiv:2210.14664},
year = {2022}
}
备注
Accepted to NeurIPS 2022, 32 pages