Towards Privacy-Aware Causal Structure Learning in Federated Setting

要約

因果構造学習は広く研究されており、機械学習やさまざまなアプリケーションで広く使用されています。
理想的なパフォーマンスを達成するために、既存の因果構造学習アルゴリズムでは、多くの場合、複数のデータ ソースからの大量のデータを一元管理する必要があります。
ただし、プライバシーを保護する設定では、すべてのソースからのデータを一元管理し、単一のデータセットとしてまとめるのは不可能です。
データのプライバシーを保護するために、近年の機械学習では、新しい学習パラダイムとしてのフェデレーテッド ラーニングが大きな注目を集めています。
この論文では、フェデレーション設定におけるプライバシーを意識した因果構造学習問題を研究し、データを一元化することなくデータプライバシーを保護するための 2 つの新しい戦略を備えた新しい Federated PC (FedPC) アルゴリズムを提案します。
具体的には、まず、連合スケルトン学習のための連合学習パラダイムに PC アルゴリズムをシームレスに適応させるための新しい層ごとの集約戦略を提案し、次に連合エッジ指向のための一貫した分離セットを学習するための効果的な戦略を設計します。
広範な実験により、FedPC が連合学習設定における因果構造学習に効果的であることが検証されています。

要約(オリジナル)

Causal structure learning has been extensively studied and widely used in machine learning and various applications. To achieve an ideal performance, existing causal structure learning algorithms often need to centralize a large amount of data from multiple data sources. However, in the privacy-preserving setting, it is impossible to centralize data from all sources and put them together as a single dataset. To preserve data privacy, federated learning as a new learning paradigm has attracted much attention in machine learning in recent years. In this paper, we study a privacy-aware causal structure learning problem in the federated setting and propose a novel Federated PC (FedPC) algorithm with two new strategies for preserving data privacy without centralizing data. Specifically, we first propose a novel layer-wise aggregation strategy for a seamless adaptation of the PC algorithm into the federated learning paradigm for federated skeleton learning, then we design an effective strategy for learning consistent separation sets for federated edge orientation. The extensive experiments validate that FedPC is effective for causal structure learning in a federated learning setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google