面向可解释性的基于特征组的隐私保护联邦对抗域适应
机器学习
2022-09-26 v2
摘要
我们提出一种新颖的隐私保护联邦对抗域适应方法()，以解决一个被研究不足但实用的跨机构联邦域适应问题，其中目标域方在样本和特征上均不足。我们通过与特征丰富的机构进行纵向联邦学习来扩展特征空间，从而解决特征缺失问题；并通过从样本丰富的源方到目标方执行对抗域适应来解决样本稀缺问题。在这项工作中，我们关注可解释性至关重要的金融应用。然而，现有的对抗域适应方法通常应用单一特征提取器来学习相对于目标任务低可解释性的特征表示。为提高可解释性，我们利用领域专业知识将特征空间拆分为多个各自包含相关特征的特征组，并从每个特征组学习语义有意义的高阶特征。此外，我们为每个特征组应用一个特征提取器(连同域判别器)以实现细粒度域适应。我们设计了一个安全协议，能够以安全高效的方式执行PrADA。我们在两个表格数据集上评估了我们的方法。实验证明了我们方法的有效性和实用性。
引用
@article{arxiv.2111.10934,
title = {Privacy-preserving Federated Adversarial Domain Adaption over Feature Groups for Interpretability},
author = {Yan Kang and Yang Liu and Yuezhou Wu and Guoqiang Ma and Qiang Yang},
journal= {arXiv preprint arXiv:2111.10934},
year = {2022}
}
备注
Published in IEEE Transactions on Big Data