纵向联邦学习综述：一种分层视角
机器学习
2023-04-05 v1 人工智能
摘要
纵向联邦学习（VFL）是联邦学习中有前景的一类，适用于数据被纵向划分并分布于多方之间的场景。VFL利用来自不同方的特征丰富样本的描述以提升模型能力。与横向联邦学习相比，在大多数情况下，VFL应用于公司的商业合作场景。因此，VFL蕴含巨大的商业价值。过去几年中，VFL在学术界与工业界吸引了越来越多的关注。本文从分层视角系统调研VFL的现有工作。从硬件层到纵向联邦系统层，研究者在VFL的各个方面做出贡献。此外，VFL的应用已覆盖广泛领域，如金融、医疗等。在每一层，我们归类现有工作并探讨挑战，以方便VFL进一步的研发。特别地，我们设计了一种新颖的MOSP树分类法来分析VFL的核心组件，即安全的纵向联邦机器学习算法。我们的分类法考虑四个维度，即机器学习模型（M）、保护对象（O）、安全模型（S）和隐私保护协议（P），并提供了全面的调研。
引用
@article{arxiv.2304.01829,
title = {A Survey on Vertical Federated Learning: From a Layered Perspective},
author = {Liu Yang and Di Chai and Junxue Zhang and Yilun Jin and Leye Wang and Hao Liu and Han Tian and Qian Xu and Kai Chen},
journal= {arXiv preprint arXiv:2304.01829},
year = {2023}
}
备注
35 pages, 6 figures