Key points are not available for this paper at this time.
A modelagem de tópicos tem sido amplamente aplicada em uma variedade de aplicações industriais. Treinar um modelo de alta qualidade geralmente requer uma grande quantidade de dados do domínio, a fim de fornecer informações abrangentes de coocorrência para o modelo aprender. No entanto, dados industriais, como registros médicos ou financeiros, são frequentemente proprietários ou sensíveis, o que impede o upload para centros de dados. Assim, treinar modelos de tópicos em cenários industriais usando abordagens convencionais enfrenta um dilema: uma parte (ou seja, uma empresa ou instituto) deve tolerar a escassez de dados ou sacrificar a privacidade dos dados. Neste artigo, propomos uma nova estrutura chamada Modelagem de Tópicos Federada (FTM), na qual várias partes treinam colaborativamente um modelo de tópicos de alta qualidade, aliviando simultaneamente a escassez de dados e mantendo-se imune a adversários de privacidade. FTM é inspirada pelo aprendizado federado e consiste em técnicas inovadoras, como Metropolis Hastings privado, normalização por tópico e integração de modelos heterogêneos. Realizamos uma série de avaliações quantitativas para verificar a eficácia do FTM e implementamos o FTM em um sistema de Reconhecimento Automático de Fala (ASR) para demonstrar sua utilidade em aplicações do mundo real. Resultados experimentais confirmam a superioridade do FTM sobre a modelagem convencional de tópicos. © 2019 Associação para Maquinário de Computação.
Jiang et al. (Sun,) estudaram essa questão.