异构特征空间下的联邦插补
机器学习
2026-05-18 v1 人工智能
摘要
联邦学习（FL）能够实现跨去中心化客户端的协同训练，但大多数方法假设特征模式是对齐的，这一假设在表格数据设置中很少成立，因为客户端通常只观察到部分重叠的特征子集。在这些异构特征空间中，参数平均方法（例如FedAvg）在弱重叠或不相交的特征组之间传递的信息很少，限制了它们在联邦插补中的有效性。为了克服这个问题，我们提出了\textbf{FedHF-Impute}，这是一个联邦插补框架，它将结构性特征不可用性与常规缺失区分开来，并使用一个共享的全局特征图，通过消息传递在统计相关的特征之间传播信息。这使得即使在特征从未在本地被联合观测的情况下，也能实现间接的跨客户端知识迁移，同时保持标准的联邦通信。在SECOM和AirQuality数据集上模拟的部分模式重叠下，FedHF-Impute的插补精度（RMSE）比FL基线分别提高了26.9%和8.4%，同时在PhysioNET上取得了相当的性能，与最佳基线的差异仅为0.3%。
引用
@article{arxiv.2605.16099,
title = {Federated Imputation under Heterogeneous Feature Spaces},
author = {Imane Hocine and Chaimaa Medjadji and Sylvain Kubler and Gregoire Danoy and Yves Le Traon},
journal= {arXiv preprint arXiv:2605.16099},
year = {2026}
}