.png){kind=icon}
返回
Additive-Effect Assisted Learning
.png){kind=icon}
PRE
AI
DOI：10.1093/jrsssb/qkaf062.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前，研究人员和数据分析师持有不同数据集时，寻求彼此协助以提升建模性能的做法颇为普遍。我们考虑一种场景：不同学习者的数据集可能包含不同变量，且其观测值可通过非私密标识符进行对齐。他们的协作面临以下困难：首先，学习者可能因商业利益或隐私法规等原因，需要隐藏数据值甚至变量名；其次，由于通信成本等因素，他们之间的传输轮次受限。为应对这些挑战，我们为代理Alice开发了一种两阶段辅助学习架构，使其能够寻求另一代理Bob的帮助。在第一阶段，我们提出了一种基于隐私意识的假设检验筛选方法，帮助Alice判断Bob数据的有用性，该方法仅需Bob传输概要数据。一旦Alice认可Bob的有用性，Alice和Bob进入第二阶段，共同应用协同迭代模型训练流程。通过有限的摘要统计量传输，我们理论及数值上证明了，Alice能够实现与集中式数据训练相当的理想性能。
期刊
J
机构
引用论文
暂无论文信息