FedCVT：基于交叉视图训练的半监督纵向联邦学习
机器学习
2024-06-18 v3 机器学习
摘要
联邦学习允许多方在不暴露数据的情况下协作构建机器学习模型。特别地，纵向联邦学习（VFL）使参与方能够基于对齐样本的分布式特征构建联合机器学习模型。然而，VFL要求所有参与方共享足够数量的对齐样本。现实中，对齐样本集可能很小，导致大多数非对齐数据未被利用。在本文中，我们提出联邦交叉视图训练（FedCVT），一种利用有限对齐样本提升VFL模型性能的半监督学习方法。更具体地，FedCVT为缺失特征估计表示，为无标签样本预测伪标签以扩展训练集，并基于扩展训练集的不同视图联合训练三个分类器以提升VFL模型性能。FedCVT不要求参与方共享其原始数据与模型参数，从而保护数据隐私。我们在NUS-WIDE、Vehicle和CIFAR10数据集上进行了实验。实验结果表明FedCVT显著优于仅利用对齐样本的普通VFL。最后，我们进行消融研究以探究FedCVT各组件对其性能的贡献。代码见 https://github.com/yankang18/FedCVT
引用
@article{arxiv.2008.10838,
title = {FedCVT: Semi-supervised Vertical Federated Learning with Cross-view Training},
author = {Yan Kang and Yang Liu and Xinle Liang},
journal= {arXiv preprint arXiv:2008.10838},
year = {2024}
}
备注
accepted by ACM Transactions on Intelligent Systems and Technology Volume 13 Issue 4 August 2022