返回
Federated discretization for supervised classification
DOI:10.1007/s10618-026-01247-2.png)
摘要
En 中文
几种分类器仅对离散变量进行操作,需要通过离散化预处理连续属性。监督离散化通过将连续变量的定义域划分为定义离散化策略的区间来满足这一需求。联邦学习则在不共享原始数据的情况下实现全局模型的协同训练:用户训练本地模型并将参数传递给中央服务器,服务器将其聚合为全局模型。在此设置下的关键挑战是在最小化通信开销的同时实现与集中式方法相当的性能。本文提出了一种联邦离散化框架,可在单次通信回合中计算全局离散化策略。每个用户为连续变量估计高斯混合模型并传输其参数(称为代表值)至服务器。服务器随后应用离散化算法对这些代表值进行操作以推导全局策略,随后将其分发给用户。所提出的框架可容纳多种离散化策略;具体而言,我们提出了等宽、等频、基于熵和基于核密度的方法的联邦适应性。在十个基准数据集上进行的实验表明,所提出的框架实现了与集中式离散化方法相当的性能,其中基于核密度的和等频变体获得了最具竞争力的结果。
Keyword:
Discretization
Supervised
Federated
Kernel density
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.3
论文数:
224
被引数:
6.0K

