FedFCA: Federated Formal Concept Analysis Framework

Saida Sfaxi

doi:10.1007/s10586-025-05778-z

2026-01-06

PRE

Saida Sfaxi *

Mokhtar Sellami *

Mohamed Mohsen Gammoudi

DOI：10.1007/s10586-025-05778-z

原文链接

原文求助

摘要

En 中文

联邦学习（FL）的显著进展增强了计算机视觉、图学习和自然语言处理领域的多种任务。现有的框架，如联邦图学习（FGL）、TensorFlow Federated（TFF）和联邦人工智能技术使能器（FATE），促进了其在现实场景中的应用。形式概念分析（FCA）是已知最好的基于健全数学基础的无监督知识发现技术之一。FCA已证明其在软件工程、知识工程和数据挖掘等领域解决实际挑战方面的实用性。然而，联邦FCA学习（FedFCA）的采用仍然有限，因为其集成面临由格结构（lattice structures）和形式背景表示（formal context representation）等FCA核心基础元素的特性所带来的障碍，尽管这些元素普遍存在。受此类框架的明显需求启发，我们首先识别构建直观FedFCA框架的障碍。在此基础上，本文提出我们的贡献：FedFCA，一个旨在提供联邦形式概念分析的联邦框架，这是一种采用差分隐私以确保数据保护的前沿方法。首先，各参与方生成并加密包含本地数据的噪声本地格；随后，全局服务器整合来自多个不可信参与方的加密噪声格，同时保护各方的数据隐私。我们将FedFCA这一综合框架概念化为一个松散集成服务的自治微服务网络，与自组织（self-*）系统中固有的自主性和去中心化管理原则相协调。该方法支持服务器与参与者之间的同步或异步通信策略，涵盖本地格和全局格挖掘过程。在真实数据集上的广泛评估验证了FedFCA实现了：（i）相比集中式FCA基准，运行时间更短；（ii）可扩展性达到250+个分布式提供者；（iii）在不同隐私预算下具有高全局稳定性；以及（iv）在隐私-效用权衡方面相比当前联邦频繁项集挖掘（FedFIM和FedFPM）取得了显著改进。FedFCA作为FedFCA框架套件的一部分公开发布于GitHub（https://github.com/msellamiTN/fedfca-framework.git），以鼓励进一步的FCA研究和扩展此前因缺乏专用工具而受限的应用。

Keyword:

Federated learning

Formal concept analysis

Security

Privacy

Machine learning

Knowledge discovery

Differential privacy

Parallel and distributed computing