可靠插补样本辅助的垂直联邦学习
机器学习
2025-01-14 v1 机器学习
摘要
垂直联邦学习（VFL）是一种已知的联邦学习变体，使多个方能够在不共享原始数据的情况下协作训练模型。现有 VFL 方法聚焦于不同方之间的重叠样本，而其性能受限于这些样本的数量，大量非重叠样本未被利用。一些前期工作探索了对样本中缺失值进行插值的技术，但往往不充分关注插补样本的质量。为解决此问题，我们提出一种可靠插补样本辅助（RISA）VFL 框架，通过选择可靠插补样本来有效利用非重叠样本进行 VFL 模型训练。具体而言，在对非重叠样本进行插补后，我们引入证据理论来估计插补样本的不确定性，仅选择不确定性较低的样本。如此一来，利用高质量的非重叠样本可提升 VFL 模型。在两个广泛使用的数据集上进行实验表明，RISA 显著提升了性能，尤其在仅有 1% 重叠样本时，例如在 CIFAR-10 上即可实现 48% 的准确率提升。
引用
@article{arxiv.2501.06429,
title = {Reliable Imputed-Sample Assisted Vertical Federated Learning},
author = {Yaopei Zeng and Lei Liu and Shaoguo Liu and Hongjian Dou and Baoyuan Wu and Li Liu},
journal= {arXiv preprint arXiv:2501.06429},
year = {2025}
}