Multi-VFL：一种面向多数据与多标签方的纵向联邦学习系统
机器学习
2021-06-18 v2
摘要
纵向联邦学习（VFL）指的是在这样一个数据集上协同训练模型：数据集的特征分散在多个数据方之间，而标签信息由单一数据方持有。在本文中，我们提出一种新方法——多重纵向联邦学习（Multi-VFL），用于在存在多个数据方和多个标签方的情况下训练 VFL 模型。我们的方法是首个考虑如下设定者：存在 个数据方（特征分布于其间）和 个标签方（标签分布于其间）。所提出的这一配置使得不同实体能够在无需共享各自数据的情况下训练并学习最优模型。我们的框架利用拆分学习与自适应联邦优化器来解决该问题。在实证评估中，我们在 MNIST 和 FashionMNIST 数据集上运行实验。结果表明，使用自适应优化器进行模型聚合可加快收敛并提升准确率。
引用
@article{arxiv.2106.05468,
title = {Multi-VFL: A Vertical Federated Learning System for Multiple Data and Label Owners},
author = {Vaikkunth Mugunthan and Pawan Goyal and Lalana Kagal},
journal= {arXiv preprint arXiv:2106.05468},
year = {2021}
}