DVFL:一种面向动态数据的纵向联邦学习方法
机器学习
2021-11-08 v1 人工智能
摘要
联邦学习通过将多个计算设备连接为去中心化系统来解决数据孤岛问题,已成为隐私保护机器学习的一种有前景范式。本文研究纵向联邦学习(VFL),其处理协作机构共享同一用户集但特征不相交的场景。当代 VFL 方法主要用于静态场景,即主动方与被动方从一开始便拥有全部数据且不再改变。然而现实生活中的数据常动态变化。为缓解此问题,我们提出一种新的纵向联邦学习方法 DVFL,其通过知识蒸馏适应动态数据分布变化。在 DVFL 中,大部分计算在本地进行以提升数据安全与模型效率。我们广泛的实验结果表明,DVFL 不仅在静态场景下取得接近现有 VFL 方法的结果,也能适应动态场景中数据分布的变化。
引用
@article{arxiv.2111.03341,
title = {DVFL: A Vertical Federated Learning Method for Dynamic Data},
author = {Yuzhi Liang and Yixiang Chen},
journal= {arXiv preprint arXiv:2111.03341},
year = {2021}
}