FedST：面向时间序列分类的安全联邦 Shapelet 变换
机器学习
2024-08-21 v4 数据库
摘要
本文探讨了如何在联邦学习（FL）场景下构建基于 shapelet 的时间序列分类（TSC）模型，即利用来自多个数据拥有方的更多数据而无需实际共享数据。我们提出了 FedST，一种从集中式 shapelet 变换方法扩展而来的新型联邦 TSC 框架。我们将联邦 shapelet 搜索步骤视为 FedST 的核心，并据此设计了一个基础协议，证明其安全且准确。然而，我们发现该基础协议存在效率瓶颈，且由于安全问题，集中式加速技术失效。为了在安全保障下加速联邦协议，我们提出了若干针对 FL 设置的优化方法。理论分析表明，所提方法安全且更高效。我们使用合成与真实世界数据集进行了大量实验，实证结果显示我们的 FedST 方案在 TSC 准确率上有效，且所提优化可实现三个数量级的加速。
关键词
引用
@article{arxiv.2302.10631,
title = {FedST: Secure Federated Shapelet Transformation for Time Series Classification},
author = {Zhiyu Liang and Hongzhi Wang},
journal= {arXiv preprint arXiv:2302.10631},
year = {2024}
}