OPUS-VFL：激励垂直联邦学习中的最优隐私-效用权衡
机器学习
2026-03-20 v2 人工智能
摘要
垂直联邦学习（VFL）使拥有互不相同的特征空间但共享用户基数的组织能够在不共享原始数据的情况下协同训练模型。然而，现有的 VFL 系统面临关键限制：缺乏有效的激励机制，难以平衡隐私-效用权衡，且无法适配资源能力异构的客户端。这些挑战阻碍了有意义的参与，降低了模型性能，并限制了实际部署。为此，我们提出了 OPUS-VFL，即面向 VFL 的最优隐私-效用权衡策略。OPUS-VFL 引入一种新型、隐私感知的激励机制，基于模型贡献、隐私保护和资源投入的原则性组合对客户端进行奖励。它采用轻量级的逐出去（leave-one-out, LOO）策略来量化每个客户端的特征重要性，并集成自适应差分隐私机制，使客户端能够动态校准噪声水平以优化个人效用。我们的框架旨在可扩展、平衡预算且对推理和投毒攻击具有鲁棒性。在 MNIST、CIFAR-10 和 CIFAR-100 等基准数据集上的大量实验表明，OPUS-VFL 在效率和鲁棒性方面显著优于最先进的 VFL 基线。它将标签推断攻击成功率降低最高可达 20%，将特征推断重建误差（MSE）提高超过 30%，并使贡献有意义且尊重隐私和成本约束的客户端获得最高可达 25% 的激励。这些结果凸显了 OPUS-VFL 作为安全、公平且性能驱动的面向实际 VFL 解决方案的实用性与创新性。
引用
@article{arxiv.2504.15995,
title = {OPUS-VFL: Incentivizing Optimal Privacy-Utility Tradeoffs in Vertical Federated Learning},
author = {Sindhuja Madabushi and Ahmad Faraz Khan and Haider Ali and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2504.15995},
year = {2026}
}