Federated Imputation under Heterogeneous Feature Spaces
异构特征空间下的联邦缺失值填补
🧭 联邦缺失值填补 · 特征图消息传递
University of Luxembourg
利用全局特征图的消息传递，在联邦学习中实现异构特征空间的间接跨客户端知识迁移与缺失值填补
📌 工作参考价值（4 点）
- 电商多源数据填补：当不同业务线（如搜索、推荐、广告）或不同客户端（如不同地区的用户画像）特征空间不重叠时，可借鉴该方法的特征关联图建模，通过消息传递间接填补缺失特征，提升用户/商品特征完整性。
- 联邦推荐特征对齐：在跨部门联合建模场景下，无需共享原始数据，利用全局特征图即可发现特征间的统计关系，指导本地模型的填补与更新，解决特征异构问题。
- 特征图构建启发：采用互信息或相关性构建全局特征图，作为联邦通信中的共享知识，可迁移到其他需要特征补全的分布式任务（如 Agent 环境感知或冷启动特征推断）。
- 工程实现参考：联邦架构仅交换特征图结构和少量消息，通信开销低，适合生产环境中隐私受限的多方数据协作。