联邦学习在官方统计中的适用性
机器学习
2023-10-02 v2
摘要
本工作研究了联邦学习（FL）在官方统计中的潜力，并展示了 FL 模型的性能能在多大程度上与集中式学习方法相媲美。FL 对官方统计尤为有趣，因为其使用可保障数据持有者的隐私，从而便于获取更广泛的数据。通过模拟三种不同的用例，获得了关于该技术适用性的重要见解。这些用例基于医疗保险数据集、细尘污染数据集和移动无线覆盖数据集——均来自接近官方统计的领域。我们提供了对结果的详细分析，包括每种模拟中集中式与 FL 算法性能的比较。在所有三个用例中，我们都能够通过 FL 训练出性能非常接近集中式模型基准的模型。我们总结了关键观察及其对将模拟转化为实践的启示。我们得出结论：FL 有潜力成为未来官方统计用例中的关键技术。
引用
@article{arxiv.2307.15503,
title = {The Applicability of Federated Learning to Official Statistics},
author = {Joshua Stock and Oliver Hauke and Julius Weißmann and Hannes Federrath},
journal= {arXiv preprint arXiv:2307.15503},
year = {2023}
}