FedGES：一种面向贝叶斯网络结构学习的联邦学习方法
机器学习
2025-12-08 v1
摘要
贝叶斯网络（Bayesian Network, BN）结构学习传统上需要集中数据，当数据分布在多个实体时，这会引发隐私问题。本研究引入了联邦GES（FedGES），这是一种新颖的联邦学习方法，专为在去中心化环境中使用贪婪等价搜索（Greedy Equivalence Search, GES）算法进行BN结构学习而设计。FedGES通过仅交换演化的网络结构而非参数或数据，独特地解决了隐私和安全挑战。它实现了协作模型开发，利用结构融合在连续迭代中组合每个客户端生成的有限模型。还提出了一种受控结构融合，以在添加任何边时增强客户端共识。在{\sf bnlearn}的BN仓库中各种BN上的实验结果验证了FedGES的有效性，尤其是在高维（大量变量）和稀疏数据场景下，为现实世界的BN结构学习提供了一种实用且保护隐私的解决方案。
引用
@article{arxiv.2502.01538,
title = {FedGES: A Federated Learning Approach for BN Structure Learning},
author = {Pablo Torrijos and José A. Gámez and José M. Puerta},
journal= {arXiv preprint arXiv:2502.01538},
year = {2025}
}