垂直联邦学习实践中的经验、问题与挑战
机器学习
2025-02-13 v1 人工智能
摘要
垂直联邦学习（VFL）是一种隐私保护的协作学习范式，允许多个具有不同特征集的参与方在不共享原始数据的情况下联合训练机器学习模型。尽管VFL有潜力促进跨组织协作，但其在现实世界应用中的部署仍然有限。为了调查现有VFL研究与实际部署之间的差距，本综述分析了潜在VFL应用中的真实世界数据分布，并识别出四个突出该差距的关键发现。我们基于真实的VFL数据分布提出了一种新颖的面向数据的VFL算法分类体系。对现有VFL算法的全面综述揭示了一些常见的实际VFL场景几乎没有或没有可行的解决方案。基于这些观察，我们概述了旨在弥合当前VFL研究与现实世界应用之间差距的关键研究方向。
引用
@article{arxiv.2502.08160,
title = {Vertical Federated Learning in Practice: The Good, the Bad, and the Ugly},
author = {Zhaomin Wu and Zhen Qin and Junyi Hou and Haodong Zhao and Qinbin Li and Bingsheng He and Lixin Fan},
journal= {arXiv preprint arXiv:2502.08160},
year = {2025}
}