Transformación de Potencia Revisitada: Estabilidad Numérica y Federada

Power Transform Revisited: Numerically Stable, and Federated

October 6, 2025

Autores: Xuefeng Xu, Graham Cormode

cs.AI

Resumen

Las transformaciones de potencia son técnicas paramétricas populares para hacer que los datos se asemejen más a una distribución gaussiana, y se utilizan ampliamente como pasos de preprocesamiento en análisis estadístico y aprendizaje automático. Sin embargo, encontramos que las implementaciones directas de las transformaciones de potencia sufren de inestabilidades numéricas severas, lo que puede llevar a resultados incorrectos o incluso a fallos del sistema. En este artículo, proporcionamos un análisis exhaustivo de las fuentes de estas inestabilidades y proponemos remedios efectivos. Además, extendemos las transformaciones de potencia al entorno de aprendizaje federado, abordando tanto los desafíos numéricos como los distribucionales que surgen en este contexto. Los experimentos en conjuntos de datos del mundo real demuestran que nuestros métodos son tanto efectivos como robustos, mejorando sustancialmente la estabilidad en comparación con los enfoques existentes.

English

Power transforms are popular parametric techniques for making data more Gaussian-like, and are widely used as preprocessing steps in statistical analysis and machine learning. However, we find that direct implementations of power transforms suffer from severe numerical instabilities, which can lead to incorrect results or even crashes. In this paper, we provide a comprehensive analysis of the sources of these instabilities and propose effective remedies. We further extend power transforms to the federated learning setting, addressing both numerical and distributional challenges that arise in this context. Experiments on real-world datasets demonstrate that our methods are both effective and robust, substantially improving stability compared to existing approaches.