FedSLIM

新的 FedSLIM 框架支持隐私保护的描述性模式挖掘

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。