联邦神经非参数点过程
机器学习
2026-01-14 v2 人工智能
密码学与安全
摘要
时间点过程能有效建模事件随时间发生的情况，但在联邦系统中，面对稀疏和不确定的事件以及隐私这一主要关注点时，它们会显得力不从心。为解决此问题，我们提出了\textit{FedPP}，一种联邦神经非参数点过程模型。FedPP在客户端将神经嵌入集成到Sigmoidal高斯Cox过程中，这是一类灵活且表达能力强的TPP，使其能够生成高度灵活的强度函数，捕捉客户端特定的事件动态和不确定性，同时高效地总结历史记录。对于全局聚合，FedPP引入了一种基于散度的机制，在服务器和客户端之间通信SGCP核超参数的分布，同时将客户端特定参数保留在本地以确保隐私和个性化。FedPP有效捕捉了事件的不确定性和稀疏性，大量实验证明了其在联邦设置中的优越性能，特别是基于KL散度和Wasserstein距离的全局聚合。
引用
@article{arxiv.2410.05637,
title = {Federated Neural Nonparametric Point Processes},
author = {Hui Chen and Xuhui Fan and Hengyu Liu and Yaqiong Li and Zhilin Zhao and Feng Zhou and Christopher John Quinn and Longbing Cao},
journal= {arXiv preprint arXiv:2410.05637},
year = {2026}
}