VertiBench：推进纵向联邦学习基准中的特征分布多样性
机器学习
2024-03-14 v3 人工智能
摘要
纵向联邦学习（VFL）是在特征划分的分布式数据上训练机器学习模型的关键范式。然而，由于隐私限制，用于算法评估的公开真实世界 VFL 数据集很少，且这些数据集仅代表有限的特征分布阵列。现有基准常求助于合成数据集，其由全局集合的任意特征切分派生而来，仅捕捉特征分布的子集，导致算法性能评估不充分。本文通过引入影响 VFL 性能的两个关键因素——特征重要性与特征相关性——并提出相关的评估指标与数据集切分方法来弥补这些不足。此外，我们引入一个真实 VFL 数据集，以解决图像-图像 VFL 场景中的缺失。我们对前沿 VFL 算法的综合评估为该领域未来研究提供了有价值的见解。
引用
@article{arxiv.2307.02040,
title = {VertiBench: Advancing Feature Distribution Diversity in Vertical Federated Learning Benchmarks},
author = {Zhaomin Wu and Junyi Hou and Bingsheng He},
journal= {arXiv preprint arXiv:2307.02040},
year = {2024}
}