FedHF-Impute: Imputazione Federata per Spazi di Caratteristiche Eterogenei

Il nuovo framework di imputazione federata, FedHF-Impute, affronta il problema degli spazi di caratteristiche variabili nei dataset tabulari. Le tecniche di apprendimento federato convenzionali, come FedAvg, si basano su schemi di caratteristiche allineati, che diventano inefficaci quando i clienti hanno solo insiemi di caratteristiche parzialmente sovrapposti. FedHF-Impute distingue tra assenza strutturale di caratteristiche e mancanza tipica, utilizzando un grafo globale condiviso delle caratteristiche per facilitare lo scambio di informazioni tra caratteristiche statisticamente correlate attraverso il passaggio di messaggi. Ciò consente un trasferimento indiretto di conoscenza tra i clienti, anche quando le caratteristiche non sono osservate congiuntamente, mantenendo al contempo la comunicazione federata standard. Il framework è progettato per situazioni in cui gli approcci di media dei parametri producono un trasferimento minimo di informazioni tra gruppi di caratteristiche debolmente sovrapposti o completamente separati. La sua efficacia è dimostrata in condizioni simulate di parziale disallineamento dello schema.