💡
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。
❓
延伸问答
什么是辛普森悖论？
辛普森悖论是一种统计现象，当数据分成子组时，某些趋势在每个子组中一致，但在整体数据集中却出现相反的趋势。
FedCFA框架如何解决联邦学习中的辛普森悖论？
FedCFA通过在客户端生成与全局平均数据对齐的反事实样本，缓解数据偏见，从而避免错误的特征-标签关联。
反事实学习在FedCFA中起什么作用？
反事实学习通过生成虚拟样本，帮助模型理解数据中的因果关系，避免学习到虚假的关联。
FedCFA的实验结果如何？
实验显示，FedCFA在辛普森悖论数据集上提升了模型的准确率，相比于FedAvg和FedMix，表现更优。
FedCFA是如何构建全局平均数据集的？
FedCFA利用中心极限定理，通过聚合多个客户端的本地平均数据，构建一个近似全局数据分布的全局平均数据集。
因子去相关损失在FedCFA中有什么作用？
因子去相关损失用于减少提取特征因子之间的相关性，确保每个特征因子只携带单一信息，从而提高反事实样本的质量。
➡️
