PulseAugur
中
实时 09:28:01
English(EN) FedSLIM: Privacy-Preserving Federated MDL-Based Descriptive Pattern Mining Across Data Silos

新的 FedSLIM 框架支持隐私保护的描述性模式挖掘

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出 FedSLIM，一个用于联邦学习环境中隐私保护描述性模式挖掘的新框架。与目前专注于预测建模或基于支持的方法不同，FedSLIM 在分布式数据库上优化最小描述长度 (MDL) 目标，而无需共享原始交易数据。该框架提供两种变体来平衡隐私、通信和准确性，并包含新的指标来评估联邦 MDL 挖掘。实验表明，FedSLIM 实现了高质量的压缩，并且比集中式方法需要更少的搜索时间，同时还突出了联邦优化可以克服的局部-全局发现差距。 AI

影响 通过在不共享原始数据的情况下进行协作模式发现，增强了联邦分析中的隐私保护。

排序理由 该集群包含一篇研究论文，详细介绍了联邦学习中描述性模式挖掘的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 FedSLIM 框架支持隐私保护的描述性模式挖掘

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Samar Samir Khalil, Noha S. Tawfik, Marco Spruit ·

    FedSLIM：跨数据孤岛的隐私保护联邦MDL描述性模式挖掘

    arXiv:2607.23236v1 Announce Type: new Abstract: Federated learning has achieved considerable success for predictive modelling, yet federated descriptive analytics remains largely unexplored. Existing federated pattern mining approaches are predominantly support-based and do not o…

相关实体

相关话题