HybridVFL：面向边缘设备的垂直联邦多模态分类的解耦特征学习
机器学习
2025-12-12 v1
摘要
垂直联邦学习 (VFL) 提供了一种隐私保护的边缘 AI 场景解决方案，如移动健康诊断，其中敏感的多模态数据分布在受资源限制的分布式设备上。然而，标准的 VFL 系统常因简单特征融合而导致性能受限。本文引入 HybridVFL，一种新型框架，通过客户端侧特征解耦配合服务器端跨模态变换器实现上下文感知融合。通过在多模态 HAM10000 皮肤 lesion 数据集上的系统评估，我们证明 HybridVFL 在各种联邦基线方法上显著优于表现，验证了在稳健隐私保护系统中先进融合机制的关键性。
引用
@article{arxiv.2512.10701,
title = {HybridVFL: Disentangled Feature Learning for Edge-Enabled Vertical Federated Multimodal Classification},
author = {Mostafa Anoosha and Zeinab Dehghani and Kuniko Paxton and Koorosh Aslansefat and Dhavalkumar Thakker},
journal= {arXiv preprint arXiv:2512.10701},
year = {2025}
}
备注
6 pages, 2 figures, 1 table. Accepted at UCC '25 (IEEE/ACM 18th International Conference on Utility and Cloud Computing), December 1-4, 2025, Nantes, France. DOI to be activated upon final publication