.png){kind=icon}
返回
Federated Multi-View Multi-Label Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2024.3522812.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视角多标签分类是一种重要的机器学习范式，旨在通过整合来自不同来源的异构特征来构建鲁棒的多标签预测器，同时处理多个相关联的标签。然而，在实际应用中，对数据保密性和安全性的担忧常常阻碍不同来源间的数据交换或融合，导致数据孤岛这一难题。为解决此问题，我们提出了一种通用的联邦多视角多标签分类方法FMVML，该方法将一种新颖的多视角多标签分类技术融入联邦学习框架中。这种方法能够在跨视角特征融合和多标签语义分类的同时，保护每个独立来源的数据隐私。在该联邦框架内，我们首先从每个独立客户端提取视图特定信息以捕捉独特特征，然后在全局服务器上整合来自不同视图的共识信息以表示共享特征。与以往方法不同，我们的方法通过联合捕捉特征和语义方面的特异性和共性，增强了跨视角融合和语义表达能力。最终的标签预测是通过结合来自各个客户端的视图特定预测和来自全局服务器的共识预测来生成的。在各类应用中的广泛实验表明，FMVML能够在保护隐私的前提下充分利用多视角数据，并持续优于当前最先进的方法。
Keyword:
Multi-view multi-label classification
federated learning
commonality and specificity
privacy-preserving
期刊
I
IF:
5.7
论文数:
887
被引数:
3.0K
机构
引用论文
Subspace learning for unsupervised feature selection via matrix factorization.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Blockchain-Empowered Decentralized Horizontal Federated Learning for 5G-Enabled UAVs区块链授权的分散式水平联合学习，用于支持5g的无人机
PREAI
分享收藏
分享收藏
查看更多内容