纵向联邦学习：概念、进展与挑战
机器学习
2024-02-06 v4 人工智能
密码学与安全
分布式、并行与集群计算
摘要
纵向联邦学习（Vertical Federated Learning, VFL）是一种联邦学习设定，其中多个持有同一组用户不同特征的参与方在不暴露其原始数据或模型参数的情况下联合训练机器学习模型。受 VFL 研究与现实应用快速增长的推动，我们提供了关于 VFL 概念与算法以及其在有效性、效率和隐私等各方面当前进展与挑战的全面综述。我们对 VFL 设定与隐私保护协议进行了详尽分类，并全面分析了每种协议下的隐私攻击与防御策略。最后，我们提出了一个统一框架 VFLow，该框架在通信、计算、隐私以及有效性与公平性约束下考量 VFL 问题。我们回顾了工业应用中的最新进展，并指出了 VFL 的开放挑战与未来方向。
引用
@article{arxiv.2211.12814,
title = {Vertical Federated Learning: Concepts, Advances and Challenges},
author = {Yang Liu and Yan Kang and Tianyuan Zou and Yanhong Pu and Yuanqin He and Xiaozhou Ye and Ye Ouyang and Ya-Qin Zhang and Qiang Yang},
journal= {arXiv preprint arXiv:2211.12814},
year = {2024}
}
备注
We added new works and revised the manuscript