K-CLIER

联邦学习通过FPLIER增强转录组学的隐私性

研究人员开发了FPLIER，一种联邦学习方法，它扩展了用于转录组学的通路级别信息提取器（PLIER）。该方法允许在不集中敏感表达数据的情况下，跨多个数据持有者对基因集感知的因子分解模型进行分布式训练。FPLIER使用安全聚合来产生相当于集中式方法的训练更新，同时还分析与成员推断攻击相关的隐私风险。研究表明，通过整合公共数据或降低数据维度，可以实现稳定的收敛并增强隐私性。