带有正类与未标注数据的联邦学习
机器学习
2022-08-16 v3
摘要
我们研究联邦设定下从正类与未标注（PU）数据学习的问题，其中由于资源与时间限制，每个客户端仅标注其数据集的一小部分。不同于传统 PU 学习中负类由单一类别构成，联邦设定下客户端无法识别的负样本可能来自该客户端未知的多个类别。因此，现有 PU 学习方法难以应用于此情形。为解决问题，我们提出一种新框架，即带有正类与未标注数据的联邦学习（FedPU），通过利用其他客户端中的标注数据来最小化多负类的期望风险。我们从理论上分析了所提 FedPU 的泛化界。实证实验表明，FedPU 可比常规的监督与半监督联邦学习方法取得好得多的性能。代码见 https://github.com/littleSunlxy/FedPU-torch
引用
@article{arxiv.2106.10904,
title = {Federated Learning with Positive and Unlabeled Data},
author = {Xinyang Lin and Hanting Chen and Yixing Xu and Chao Xu and Xiaolin Gui and Yiping Deng and Yunhe Wang},
journal= {arXiv preprint arXiv:2106.10904},
year = {2022}
}