Federated Principal Component Analysis for Vertically Partitioned Data

doi:10.1109/tcds.2025.3631744

Federated Principal Component Analysis for Vertically Partitioned Data

2025-11-12

0

OA

AI

DOI：10.1109/tcds.2025.3631744

原文链接

原文求助

摘要

En 中文

主成分分析（PCA）仍是无监督降维的基础技术。然而，其传统的集中式实现方式在日益增长的数据隐私关注背景下面临挑战，特别是在涉及多个客户端的垂直分层数据场景中。为解决这些挑战，我们引入VFedPCA和VFedAKPCA两种开创性的联邦算法，旨在分布式环境中实现线性与非线性PCA。这些算法通过避免原始数据交换，在分布式客户端间协同进行PCA计算的同时保护数据隐私。VFedPCA采用增强的局部幂迭代策略，并结合预热启动机制加速收敛。同时，VFedAKPCA创新性地将该方法扩展到核空间，采用新颖的权重缩放技术实现有效的非线性特征提取。我们通过在五个真实数据集上的广泛实验验证了所提方法的有效性，评估了服务器-客户端和对等体-对等体两种架构。结果表明，这些联邦方法在性能上与传统的集中式PCA方法相当。

Keyword:

Advanced kernel principal component analysis (KPCA)

featurewise distributed data

federated learning (FL)

KPCA

principal component analysis (PCA)

Federated Principal Component Analysis for Vertically Partitioned Data

摘要

期刊

机构

引用论文