基于事件驱动的在线垂直联邦学习
机器学习
2025-06-19 v1 分布式、并行与集群计算
摘要
与离线学习相比，垂直联邦学习（VFL）中的在线学习更适用于实际场景。然而，由于 VFL 的特殊性——客户端拥有相同样本但互不相交的特征集——将在线学习集成到 VFL 中存在挑战。在实际场景中，客户端可能不同步接收到与同一实体相关联的离散特征的数据流。相反，这些数据通常由仅涉及部分子客户端的“事件”生成。我们是首次识别到在线 VFL 中的这些挑战，这些挑战被前人研究所忽视。为此，我们提出了基于事件驱动的在线 VFL 框架。在该框架中，每次事件仅激活部分子客户端，而其余客户端则被动参与学习过程。此外，我们将“动态局部后悔（DLR）”纳入 VFL，以解决非凸模型在非平稳环境中面临的在线学习问题。我们对所提框架进行了详尽的后悔分析，特别是针对在非凸条件下以事件驱动方式进行的在线 VFL。大量实验表明，所提框架在非平稳数据条件下比现有在线 VFL 框架更稳定，同时显著降低了通信和计算成本。
引用
@article{arxiv.2506.14911,
title = {Event-Driven Online Vertical Federated Learning},
author = {Ganyu Wang and Boyu Wang and Bin Gu and Charles Ling},
journal= {arXiv preprint arXiv:2506.14911},
year = {2025}
}
备注
Published as a conference paper at ICLR 2025