ICAFS：用于垂直联邦学习的基于客户端感知的特征选择
机器学习
2025-04-16 v1
摘要
垂直联邦学习（VFL）使垂直分区数据跨客户端协同训练机器学习模型的范式成为可能。由于数据在多个客户端中分布，特征选择（FS）在垂直联邦学习中发挥着关键作用。VFL 中，不同客户端拥有互斥的数据样本的不同特征子集，这使得识别和选择最相关特征的过程既复杂又必不可少。以往的 FS 工作主要集中于客户端内部特征选择，忽略了跨客户端关键特征交互，导致模型效果不佳。我们引入ICAFS，一种新型多阶段集成方法，用于考虑跨客户端交互的 VFL 中的有效 FS。通过采用条件特征合成和多个可学习特征选择器，ICAFS 利用合成嵌入实现这些选择器的集成 FS。该方法规避了私有梯度共享的限制，允许使用经精细调整的嵌入的真实数据进行模型训练。实验在多个真实数据集上表明，ICAFS 在预测准确率上超越当前最先进的方法。
引用
@article{arxiv.2504.10851,
title = {ICAFS: Inter-Client-Aware Feature Selection for Vertical Federated Learning},
author = {Ruochen Jin and Boning Tong and Shu Yang and Bojian Hou and Li Shen},
journal= {arXiv preprint arXiv:2504.10851},
year = {2025}
}