💡
原文中文，约4800字，阅读约需12分钟。
📝
内容提要
AIxiv专栏促进学术交流，报道超过2000篇内容。浙江大学团队提出FedCFA框架，解决联邦学习中的辛普森悖论，通过反事实学习生成样本，提升模型准确性。该研究已被AAAI 2025接收。
🎯
关键要点
- AIxiv专栏促进学术交流，报道超过2000篇内容。
- 浙江大学团队提出FedCFA框架，解决联邦学习中的辛普森悖论。
- FedCFA通过反事实学习生成样本，提升模型准确性。
- 辛普森悖论是统计现象，导致全局模型无法准确捕捉数据真实分布。
- 反事实学习帮助模型理解数据中的因果关系，避免虚假关联。
- FedCFA框架通过生成反事实样本，缓解模型聚合中的辛普森悖论。
- FedCFA利用中心极限定理构建全局平均数据集。
- 因子去相关损失确保提取的特征因子只包含单一信息。
- 实验结果显示FedCFA在辛普森悖论数据集上提升模型准确率。
➡️
