迈向主动参与方为中心的纵向联邦学习：一些表示可能就是你所需要的
机器学习
2025-02-20 v2
摘要
现有的纵向联邦学习（VFL）方法通常难以处理现实且未对齐的数据划分，并且会导致高昂的通信成本和显著的操作复杂性。本文介绍了一种新颖的 VFL 方法，即主动参与方为中心的 VFL（APC-VFL），该方法在训练时参与方之间的数据样本部分对齐的场景中表现出色。APC-VFL 的优势之一是，它只需要与主动参与方进行一次通信步骤。这是通过在每个参与方进行本地无监督表示学习阶段，然后在主动参与方进行知识蒸馏步骤来实现的。与其他 VFL 方法（如 SplitNN 或 VFedTrans）相比，随着对齐数据比例的降低，APC-VFL 在三个流行的 VFL 数据集上的 F1 分数、准确率和通信成本方面始终优于它们。
引用
@article{arxiv.2410.17648,
title = {Towards Active Participant Centric Vertical Federated Learning: Some Representations May Be All You Need},
author = {Jon Irureta and Jon Imaz and Aizea Lojo and Javier Fernandez-Marques and Marco González and Iñigo Perona},
journal= {arXiv preprint arXiv:2410.17648},
year = {2025}
}