面向 AnDE 分类器的联邦学习框架研究
该研究提出了一种在分布式环境中训练平均 n-依赖估计器（AnDE）的联邦学习框架。该方案重点关注判别式设定，模型权重在本地学习后进行全局聚合，并支持任意依赖阶数 n。由于无需传输具有直接语义的参数，该设计显著提升了隐私安全性。此外，研究还实现了生成式 AnDE 联邦基准，支持在概率表聚合中引入差分隐私，并在 12 个离散数据集上完成了有效性验证。
推荐理由提出了一种面向 AnDE 分类器的新型联邦学习框架，兼顾了高阶依赖建模与隐私保护。
原标题：Federated Learning of AnDE Classifiers
阅读 arXiv 机器学习 原文 ↗