PulseAugur
中
实时 17:30:36
English(EN) Federated Imputation under Heterogeneous Feature Spaces

联邦填充框架应对异构特征空间

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 FedHF-Impute，这是一个用于联邦学习的新框架，解决了异构特征空间的挑战。该方法能够更有效地填充分散客户端中的缺失数据，即使它们的特征集不重叠。通过采用共享的全局特征图和消息传递，FedHF-Impute 实现了相关特征之间的间接知识转移，显著提高了具有部分模式重叠的数据集的填充准确性。 AI

影响 改进了去中心化 AI 系统中的数据填充，可能使跨不同数据集的更鲁棒的协作学习成为可能。

排序理由 该集群包含一篇详细介绍联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

联邦填充框架应对异构特征空间

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yves Le Traon ·

    异构特征空间下的联邦插补

    Federated Learning (FL) enables collaborative training across decentralized clients, but most methods assume aligned feature schemas, an assumption that rarely holds in tabular settings where clients observe only partially overlapping feature subsets. In these heterogeneous featu…

相关实体

相关话题