FCNCP：基于联邦学习的非负耦合CANDECOMP/PARAFAC分解
数值分析
2024-04-19 v1 机器学习
数值分析
摘要
在脑科学领域，由于行业竞争、隐私安全以及行政程序政策法规等问题，跨服务器的数据共享正变得日益具有挑战性。因此，有迫切需要开发新方法进行数据分析和处理，以实现无需数据共享的科学合作。在此背景下，本文提出了一系列基于联邦学习的高效非负耦合张量分解算法框架，称为FCNCP，用于处理分布在不同服务器上的EEG数据。该方法结合了张量分解在高维数据表示和分解中良好的判别性能、耦合张量分解在跨样本张量数据分析中的优势以及联邦学习在分布式服务器联合建模中的特点。该算法利用联邦学习在不同服务器之间建立耦合约束。在实验中，首先使用模拟数据进行仿真实验，获得稳定一致的分解结果，验证了本文提出算法的有效性。随后，利用FCNCP算法对通过对左右手施加 proprioceptive 刺激收集的五阶事件相关电位(ERP)张量数据进行分解。结果发现，对侧刺激会导致左右半球激活区域出现更对称的成分。所得结论与认知神经科学领域相关研究的解释相一致，表明该方法能够有效处理高阶EEG数据，能够保留一些关键隐藏信息。
引用
@article{arxiv.2404.11890,
title = {FCNCP: A Coupled Nonnegative CANDECOMP/PARAFAC Decomposition Based on Federated Learning},
author = {Yukai Cai and Hang Liu and Xiulin Wang and Hongjin Li and Ziyi Wang and Chuanshuai Yang and Fengyu Cong},
journal= {arXiv preprint arXiv:2404.11890},
year = {2024}
}