去中心化垂直联邦学习 De-VertiFL
机器学习
2025-02-05 v2
摘要
联邦学习 (FL) 于 2016 年提出，旨在增强协作模型训练环境中的数据隐私。在 FL 范式中，水平 FL——即客户端共享相同的特征集合但具有不同的数据样本——在集中和非集中设置中受到广泛研究。相比之下，垂直联邦学习 (VFL)，即在客户端拥有关于同一实体的不同且敏感数据的去中心化场景中至关重要，仍未得到充分探索。因此，本工作引入 De-VertiFL，一个用于训练去中心化 VFL 环境中模型的新方法。De-VertiFL 通过引入新的网络架构分布、创新的知识交换方案以及分布式联邦训练过程作出贡献。具体而言，De-VertiFL 使 federation 客户端能够共享隐藏层输出，从而允许参与者从中间计算中受益，从而提高学习效率。De-VertiFL 采用各种著名数据集进行评估，包括图像和表格数据，涵盖二分类和多分类任务。结果表明，De-VertiFL 在 F1-score 性能上通常优于最先进的方法，同时保持去中心化和隐私保护的框架。
引用
@article{arxiv.2410.06127,
title = {De-VertiFL: A Solution for Decentralized Vertical Federated Learning},
author = {Alberto Huertas Celdrán and Chao Feng and Sabyasachi Banik and Gerome Bovet and Gregorio Martinez Perez and Burkhard Stiller},
journal= {arXiv preprint arXiv:2410.06127},
year = {2025}
}