基于联邦学习的去中心化数据预测驱动推断
机器学习
2024-09-04 v1
摘要
在各个领域，机器学习的日益增长使得研究人员能够获取成本低廉的预测数据，可用于统计推断。尽管此类数据与黄金标准数据相比常不够可靠，但预测驱动推断 (PPI) 已被提出以确保其统计有效性。然而，由于私有黄金标准数据不可共享，导致模型训练数据孤岛问题，进而产生不够准确的预测模型和无效的推断。为此，本文提出联邦预测驱动推断 (Fed-PPI) 框架，通过联邦学习 (FL) 对本地模型进行训练并聚合，进而在不共享私人信息的前提下实现统计上有效的结论。实验结果表明，该框架能够有效地生成有效的置信区间。
引用
@article{arxiv.2409.01730,
title = {Federated Prediction-Powered Inference from Decentralized Data},
author = {Ping Luo and Xiaoge Deng and Ziqing Wen and Tao Sun and Dongsheng Li},
journal= {arXiv preprint arXiv:2409.01730},
year = {2024}
}