本研究首次提出适用于横向和混合设置的AutoFE算法，解决了联邦学习中自动特征工程的缺乏问题，证明其性能可与集中式数据相媲美，具有重要的应用潜力。

自动特征工程（AutoFE）在机器学习项目中至关重要。本文提出了一种基于相关性的卷积方法——FeatGeNN，旨在解决手动特征创建和特征数量过多的问题。实验结果表明，FeatGeNN在模型性能上优于现有方法，基于相关性的池化可作为有效替代方案。

自动特征工程（AutoFE）是改善模型性能和提供更多信息的重要任务。提出了基于相关性的卷积方法FeatGeNN，解决了手动特征创建和特征数量过多的问题。在基准数据集上评估了该方法，证明其在模型性能方面优于现有的AutoFE方法。结果显示，基于相关性的池化可成为AutoFE中替代max-pooling的有前景选择。