DAMe: 基于双重聚合机制的个性化联邦社交事件检测
计算与语言
2024-09-04 v1 人工智能
摘要
通过联邦学习训练社交事件检测模型(FedSED)旨在提高参与者在该任务上的性能。然而,现有的联邦学习范式不足以实现FedSED的目标,在处理社交数据的内在异质性方面存在局限。本文提出了一种用于社交事件检测的、具备双重聚合机制的个性化联邦学习框架,称为DAMe。我们提出了一种新颖的局部聚合策略,利用贝叶斯优化将全局知识纳入其中,同时保留局部特征。此外,我们引入了全局聚合策略,为客户端提供其偏好的最大外部知识。此外,我们引入全局-局部事件中心约束,以防止局部过拟合和'client-drift'。在真实模拟的自然联邦环境中,利用六个跨越六种语言和两个社交媒体平台的社交事件数据集进行实验,并进行了消融研究,证明了所提框架的有效性。进一步的鲁棒性分析表明,DAMe对注入攻击具有抵抗性。
引用
@article{arxiv.2409.00614,
title = {DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism},
author = {Xiaoyan Yu and Yifan Wei and Pu Li and Shuaishuai Zhou and Hao Peng and Li Sun and Liehuang Zhu and Philip S. Yu},
journal= {arXiv preprint arXiv:2409.00614},
year = {2024}
}
备注
CIKM 2024