이질적인 피처 공간에서의 연합 결측치 보간 (Federated Imputation)

연합 학습 (Federated Learning, FL)은 분산된 클라이언트 간의 협력적 학습을 가능하게 하지만, 대부분의 방법론은 피처 스키마 (feature schemas)가 정렬되어 있다고 가정합니다. 그러나 클라이언트가 부분적으로 겹치는 피처 서브셋 (feature subsets)만을 관찰하는 정형 데이터 (tabular settings) 환경에서는 이러한 가정이 성립하는 경우가 드뭅니다. 이러한 이질적인 피처 공간 (heterogeneous feature spaces)에서, 파라미터 평균화 방법 (parameter-averaging methods, 예: FedAvg)은 약하게 겹치거나 서로 분리된 피처 그룹 간에 정보를 거의 전달하지 못하며, 이는 연합 결측치 보간 (federated imputation)의 효과를 제한합니다.

이를 극복하기 위해, 우리는 구조적인 피처의 부재 (structural feature unavailability)를 기존의 결측 (missingness)과 분리하고, 공유된 글로벌 피처 그래프 (shared global feature graph)를 사용하여 메시지 패싱 (message passing)을 통해 통계적으로 연관된 피처들 사이로 정보를 전파하는 연합 결측치 보간 프레임워크인 extbf{FedHF-Impute}를 제안합니다. 이를 통해 표준적인 연합 통신 (federated communication)을 유지하면서도, 로컬에서 피처들이 결코 공동으로 관찰되지 않는 경우에도 간접적인 클라이언트 간 지식 전송 (cross-client knowledge transfer)이 가능해집니다.

SECOM 및 AirQuality 데이터셋에서 시뮬레이션된 부분적 스키마 중첩 (partial schema overlap) 환경 하에 테스트한 결과, FedHF-Impute는 FL 베이스라인 대비 결측치 보간 정확도 (RMSE)를 각각 26.9%와 8.4% 향상시켰습니다. 또한 PhysioNET에서는 최상위 베이스라인과 단 0.3%의 차이만을 보이며 대등한 성능을 달성했습니다.