多参与方多分类纵向联邦学习
机器学习
2020-01-31 v1 机器学习
摘要
联邦学习（FL）是一种保护隐私的范式，用于利用来自多个参与方的本地存储数据训练集体机器学习模型。纵向联邦学习（VFL）处理参与方共享相同样本ID空间但具有不同特征空间、且标签信息由一方拥有的情形。当前对VFL的研究仅支持两个参与方，且大多聚焦于二分类逻辑回归问题。本文中，我们提出多参与方多分类纵向联邦学习（MMVFL）框架，用于涉及多方参与的多分类VFL问题。通过扩展多视图学习（MVL）的思想，MMVFL以隐私保护的方式实现标签从拥有者向其他VFL参与方的共享。为证明MMVFL的有效性，我们将一种特征选择方案整合进MMVFL，以将其性能与有监督特征选择和基于MVL的方法进行比较。在真实世界数据集上的实验结果表明，MMVFL能够有效在多个VFL参与方之间共享标签信息，并匹配现有方法的多分类性能。
引用
@article{arxiv.2001.11154,
title = {Multi-Participant Multi-Class Vertical Federated Learning},
author = {Siwei Feng and Han Yu},
journal= {arXiv preprint arXiv:2001.11154},
year = {2020}
}