面向高维数据的联邦奇异值分解
机器学习
2022-05-25 v1 数据结构与算法
摘要
联邦学习（FL）正作为一种保护隐私的替代方案，兴起于经典的基于云的机器学习。在FL中，敏感数据保留在数据孤岛中，仅交换聚合参数。不愿共享数据的医院和科研机构可以加入联邦研究而不违反保密性。除了生物医学数据的极度敏感性外，高维度在联邦全基因组关联研究（GWAS）背景下也带来了挑战。在本文中，我们提出一种联邦奇异值分解（SVD）算法，适用于GWAS的隐私相关和计算需求。值得注意的是，该算法的传输成本与样本数量无关，且仅弱依赖于特征数量，因为与样本相关的奇异向量从不交换，而与特征相关的向量仅在固定次数的迭代中交换。尽管受GWAS启发，该算法通常适用于横向和纵向划分的数据。
引用
@article{arxiv.2205.12109,
title = {Federated singular value decomposition for high dimensional data},
author = {Anne Hartebrodt and Richard Röttger and David B. Blumenthal},
journal= {arXiv preprint arXiv:2205.12109},
year = {2022}
}
备注
36 pages, 7 figures, 5 tables, submitted to Data Mining and Knowledge Discovery