联邦设定下隐私感知的因果结构学习
机器学习
2023-09-07 v2 人工智能
密码学与安全
摘要
因果结构学习已被广泛研究并应用于机器学习及各种场景中。为达到理想性能，现有因果结构学习算法通常需要集中来自多个数据源的大量数据。然而，在隐私保护设定下，不可能将所有来源的数据集中并合并为单一数据集。为保护数据隐私，联邦学习作为一种新的学习范式近年来在机器学习中备受关注。本文研究联邦设定下的隐私感知因果结构学习问题，并提出一种新颖的联邦 PC（FedPC）算法，其包含两种在不集中数据的情况下保护数据隐私的新策略。具体而言，我们首先提出一种新颖的分层聚合策略，用于将 PC 算法无缝适配到联邦学习范式中以进行联邦骨架学习；随后设计一种有效策略来学习一致的分离集以进行联邦边定向。大量实验验证了 FedPC 在联邦学习设定下对因果结构学习的有效性。
引用
@article{arxiv.2211.06919,
title = {Towards Privacy-Aware Causal Structure Learning in Federated Setting},
author = {Jianli Huang and Xianjie Guo and Kui Yu and Fuyuan Cao and Jiye Liang},
journal= {arXiv preprint arXiv:2211.06919},
year = {2023}
}
备注
This paper has been accepted by the journal IEEE Transactions on Big Data, and it contains 21 pages, 9 figures and 15 tables