PBM-VFL：具有特征与样本隐私的垂直联邦学习
机器学习
2025-07-17 v3
摘要
我们提出了泊松二项分布机制垂直联邦学习（PBM-VFL），这是一种具有差分隐私保证的通信高效垂直联邦学习算法。PBM-VFL 将安全多方计算与最近引入的泊松二项分布机制结合起来，在模型训练期间保护各方的私有数据集。我们定义了新颖的特征隐私概念，并分析了算法的特征和样本隐私。我们比较了 VFL 中的样本隐私损失与 HFL 中的隐私损失。我们还提供了差分隐私 VFL 中隐私预算、收敛误差和通信成本之间关系的首个理论表征。最后，我们实证表明，在高隐私水平下，该模型性能良好。
引用
@article{arxiv.2501.13916,
title = {PBM-VFL: Vertical Federated Learning with Feature and Sample Privacy},
author = {Linh Tran and Timothy Castiglia and Stacy Patterson and Ana Milanova},
journal= {arXiv preprint arXiv:2501.13916},
year = {2025}
}