水平联邦学习中高效特征选择的新方法研究 近年来，随着联邦学习（Federated Learning, FL）逐渐成为一种保护数据隐私的分布式机器学习方法，如何在不同用户（即客户端）之间共享信息以训练高效的全局模型，吸引了广泛的关注。在水平联邦学习（Horizontal Federated Learning, HFL）中，所有客户端共享相同的特征空间，但各自的数据样本不同。然而，数据特征的冗余和维度灾难问题严重影响了模型的性能和训练效率。为此，特征选择（Feature Selection, FS）作为机器学习中的一种重要预处理技术，在去除冗余特征和增强模型性能方面具有突出的作用。本研究针对HFL场景下的特征选择问题提出了新方法，以解决这一领域的关键挑战。 论文来源 本论文题为 “Cost-Ef...

智能独立成分分析（SMART ICA）：提取准确的脑功能网络的创新方法 背景介绍 在脑科学研究中，功能网络（Functional Networks，FNs）通过探讨不同脑区之间的整合和互动关系，显示出极大的潜力来理解人类脑功能。功能磁共振成像（fMRI）是一种重要的工具，它通过观测脑活动时的血氧水平依赖信号变化，揭示了不同脑区间的功能连接。独立成分分析（Independent Component Analysis，ICA）是一种常用的数据驱动方法，广泛应用于从fMRI数据中估算功能网络。然而，ICA方法在确定最佳模型阶数（即成分数量）时面临挑战，这导致了对功能网络估算结果的可靠性产生质疑。因此，开发可靠的脑功能网络分析方法对于最大化研究结果的稳健性和普适性尤为重要。本文提出了一种名为智能独立...