Мощностное преобразование пересмотрено: численно устойчивое и федеративное

Power Transform Revisited: Numerically Stable, and Federated

October 6, 2025

Авторы: Xuefeng Xu, Graham Cormode

cs.AI

Аннотация

Степеневые преобразования являются популярными параметрическими методами для придания данным более гауссово-подобного вида и широко используются как этапы предварительной обработки в статистическом анализе и машинном обучении. Однако мы обнаруживаем, что прямые реализации степенных преобразований страдают от серьезных численных нестабильностей, которые могут приводить к некорректным результатам или даже сбоям. В данной статье мы предоставляем всесторонний анализ источников этих нестабильностей и предлагаем эффективные способы их устранения. Мы также расширяем степенные преобразования для применения в условиях федеративного обучения, решая как численные, так и распределительные проблемы, возникающие в этом контексте. Эксперименты на реальных наборах данных демонстрируют, что наши методы являются как эффективными, так и устойчивыми, значительно улучшая стабильность по сравнению с существующими подходами.

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.