垂直联邦学习中贡献评估综述
机器学习
2024-05-07 v1 分布式、并行与集群计算
摘要
垂直联邦学习 (Vertical Federated Learning, VFL) 作为机器学习中的一种关键方法，旨在解决中心化数据存储和处理所涉及的隐私问题。VFL 促进了拥有不同特征集但作用于同一用户群体的多个实体之间的合作，使其能够在不直接共享数据的情况下进行联合预测模型训练。VFL 的关键环节在于对每个参与实体在学习过程中贡献的公平且准确的评估。这对于维持参与实体间的信任、确保资源的公平分配以及培育可持续的合作框架至关重要。本文对垂直联邦学习中贡献评估技术进行了全面综述。我们沿着 VFL 生命周期、评估粒度、隐私考量以及核心计算方法，对庞大的贡献评估技术进行分类整理。我们还探讨了涉及贡献评估的各种 VFL 任务，并分析了这些任务所需的评估属性及其与 VFL 生命周期阶段之间的关系。最后，本文展望了垂直联邦学习中贡献评估的未来挑战。通过对当前格局和潜在进展进行结构化分析，本文旨在为研究人员和实践者提供指导，帮助其设计和实现更有效、更高效且以隐私为中心的 VFL 解决方案。相关文献和开源资源已编译并持续更新于 GitHub 仓库：\url{https://github.com/cuiyuebing/VFL_CE}。
引用
@article{arxiv.2405.02364,
title = {A Survey on Contribution Evaluation in Vertical Federated Learning},
author = {Yue Cui and Chung-ju Huang and Yuzhu Zhang and Leye Wang and Lixin Fan and Xiaofang Zhou and Qiang Yang},
journal= {arXiv preprint arXiv:2405.02364},
year = {2024}
}