联邦组合深度 AUC 最大化
机器学习
2024-06-03 v2
摘要
联邦学习因有望兼顾隐私与大规模学习而受到越来越多的关注；人们已提出众多方法。然而，大多数现有方法聚焦于数据均衡的问题，而对于许多不同类别样本数量高度不平衡的真实世界应用，其预测性能远不能令人满意。为解决这一具有挑战性的问题，我们通过直接优化曲线下面积（AUC）分数，开发了一种针对不平衡数据的新型联邦学习方法。具体而言，我们将 AUC 最大化问题表述为一个联邦组合极小极大优化问题，开发了带有动量的局部随机组合梯度下降 ascent 算法，并给出了我们算法在计算与通信复杂度上的界。据我们所知，这是首个取得此类良好理论结果的工作。最后，大量实验结果证实了我们所提方法的有效性。
引用
@article{arxiv.2304.10101,
title = {Federated Compositional Deep AUC Maximization},
author = {Xinwen Zhang and Yihan Zhang and Tianbao Yang and Richard Souvenir and Hongchang Gao},
journal= {arXiv preprint arXiv:2304.10101},
year = {2024}
}