面向纵向分区数据的联邦双随机核学习
机器学习
2020-08-17 v1 机器学习
摘要
在许多现实世界的数据挖掘与机器学习应用中，数据由多个提供方给出，各方维护关于共同实体的不同特征集的私有记录。传统数据挖掘与机器学习算法难以在保持数据隐私的同时高效且有效地训练这些纵向分区数据。本文关注核方法的非线性学习，并提出一种面向纵向分区数据的联邦双随机核学习（FDSKL）算法。具体而言，我们使用随机特征来近似核映射函数，并使用双随机梯度来更新解，这些计算均以联邦方式完成且不泄露数据。重要的是，我们证明了 FDSKL 具有次线性收敛速率，并能在半诚实假设下保证数据安全。在多种基准数据集上的大量实验结果表明，在处理核方法时，FDSKL 比最先进的联邦学习方法显著更快，同时保持相似的泛化性能。
引用
@article{arxiv.2008.06197,
title = {Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data},
author = {Bin Gu and Zhiyuan Dang and Xiang Li and Heng Huang},
journal= {arXiv preprint arXiv:2008.06197},
year = {2020}
}