基于连续优化的联邦贝叶斯网络结构学习
机器学习
2022-04-05 v2 机器学习
摘要
传统上，贝叶斯网络结构学习通常在收集了所有数据的中心站点进行。然而在实际中，数据可能分布在不同的参与方（如公司、设备），它们希望共同学习一个贝叶斯网络，但出于隐私或安全考虑而不愿披露与其数据相关的信息。在本工作中，我们提出了一种联邦学习方法，用于从在不同参与方间水平划分的数据中估计贝叶斯网络的结构。我们基于连续优化开发了一种分布式结构学习方法，采用交替方向乘子法（ADMM），使得在优化过程中只需交换模型参数。我们通过将其应用于线性和非线性情况，展示了该方法的灵活性。在合成和真实数据集上的实验结果表明，其性能优于其他方法，尤其是在客户端数量相对较多且每个客户端样本量有限的情况下。
引用
@article{arxiv.2110.09356,
title = {Towards Federated Bayesian Network Structure Learning with Continuous Optimization},
author = {Ignavier Ng and Kun Zhang},
journal= {arXiv preprint arXiv:2110.09356},
year = {2022}
}
备注
AISTATS 2022. The code is available at https://github.com/ignavierng/notears-admm