基于特征选择和特征表示的垂直联邦知识迁移算法

摘要

为了突破现有的知识迁移融合方案大多以水平联邦学习算法为基础的局限性并且提高训练精度，充分挖掘医疗机构中海量患者数据价值，让不同资源状况的医院均能从中受益，该文提出一种垂直联邦知识转移框架，利用基于信息增益的特征选择模块和基于幂迭代的知识蒸馏模块辅助完成垂直联邦知识转移，不仅能提高本地样本学习性能，使共享样本数量有限的医院受益，还能保证知识转移过程独立，让医疗资源稀缺的医院之间可以相互协作，有效提升医疗服务质量。仿真结果表明，与LOCAL法、FTL法、VFed Trans方法相比，该文提出的算法可以将疾病预测精度提升约10%。

关键词

垂直联邦学习 / 特征表示 / 特征选择 / 知识蒸馏 / 知识迁移 / 信息增益