FedSLIM: primo framework federato per pattern mining basato su MDL

I ricercatori hanno presentato FedSLIM, un framework federato pionieristico per il pattern mining descrittivo che aderisce al principio della Minimum Description Length (MDL). A differenza dei tradizionali metodi federati di pattern mining basati sul supporto, FedSLIM si concentra sull'ottimizzazione di un obiettivo globale ben definito. Sfruttando il principio SLIM, facilita il miglioramento collaborativo di modelli di pattern compatti attraverso vari database distribuiti senza la necessità di scambiare transazioni grezze. Il framework include due varianti complementari che bilanciano privacy, comunicazione e accuratezza dell'ottimizzazione in diversi scenari di implementazione. Per valutare il mining MDL federato, gli autori introducono metriche incentrate su fedeltà e scoperta che misurano l'allineamento con una baseline centralizzata e valutano il recupero di pattern globalmente significativi. Esperimenti condotti su diversi dataset reali evidenziano l'efficacia del framework, colmando una lacuna nell'apprendimento federato che si è concentrato principalmente sulla modellazione predittiva, trascurando l'analitica descrittiva.