FINANCIAL DATA ANALYSIS WITH ROBUST FEDERATED LOGISTIC REGRESSION
创建于 更新于
摘要
本报告针对分布在多个客户端的金融数据分析问题，提出一种具备强解释性且对异常值鲁棒的联邦逻辑回归框架。该框架通过多种鲁棒参数聚合策略（如坐标中值和截断均值），在保证数据隐私和通信成本可控的同时，有效缓解异常客户端参数对全局模型的影响。实验基于四个公开金融分类数据集，在独立同分布(IID)及非独立同分布(non-IID)场景下验证，结果显示该方法在二分类和多分类任务中，表现与经典中心化算法如LR、决策树和KNN相当，且对不同样本量、客户端数和异常比例展现出稳定性与鲁棒性。更重要的是，模型可解释性得到保证，便于金融决策支持 [page::0][page::1][page::10][page::11][page::12][page::13]
