隐私博弈：隐私限制下迈向更好的联邦平台协作

纵向联邦学习（VFL）旨在利用存储在不同平台上、具有不同特征空间的跨孤岛数据来训练模型。现有的VFL方法通常假设每个平台上的所有数据均可用于模型训练。然而，由于联邦学习固有的隐私风险，所涉及的数据总量可能受到限制。此外，现有的VFL研究通常假设只有一个平台拥有任务标签并能从协作中获益，这使得吸引其他平台加入协作学习变得困难。本文研究了隐私约束下VFL中的平台协作问题。我们提出通过互惠协作来激励不同平台，在此框架下，所有平台都能利用VFL框架中的多平台信息来使自身的任务受益。在有限的隐私预算下，每个平台需要明智地分配其数据配额以与其他平台协作。由此，它们自然形成了一个多方博弈。该博弈中有两个核心问题，即如何评估其他平台的数据价值以计算博弈收益，以及如何优化策略以求解该博弈。为了评估其他平台数据的贡献，每个平台提供少量“押金”数据来参与VFL。我们提出了一种性能估计方法，用于预测涉及不同平台间数据量组合时的预期模型性能。为了求解该博弈，我们提出了一种平台协商方法，该方法模拟平台间的讨价还价过程，并通过梯度下降局部优化其策略。在两个真实世界数据集上的大量实验表明，我们的方法能够有效促进隐私限制下VFL中多平台数据的协作利用。