纵向联邦学习：分类、威胁与展望
机器学习
2023-02-06 v1
摘要
联邦学习(FL)是最流行的分布式机器学习技术。FL 允许在不将原始数据汇集到单点处理的情况下训练机器学习模型。相反，本地模型用本地数据训练；随后模型被共享并合并。这种方法保护了数据隐私，因为共享的是本地训练的模型而非原始数据本身。广义上，FL 可分为横向联邦学习(HFL)与纵向联邦学习(VFL)。前者中，不同参与方在同一特征集上持有不同样本；后者中，不同参与方持有属于同一组样本的不同特征数据。在许多实际场景中，VFL 比 HFL 更相关，因为不同公司(如银行与零售商)持有同一批客户的不同特征(如信用历史与购物历史)。尽管 VFL 是新兴研究领域，但相比 HFL 尚不成熟。此外，VFL 相关研究分散，其联系并不直观。因此，本综述旨在将这些 VFL 相关研究汇集一处。首先，我们对现有 VFL 结构与算法进行分类。其次，我们从安全与隐私角度呈现对 VFL 的威胁。第三，为惠及未来研究者，我们详细讨论了 VFL 的挑战与展望。
引用
@article{arxiv.2302.01550,
title = {Vertical Federated Learning: Taxonomies, Threats, and Prospects},
author = {Qun Li and Chandra Thapa and Lawrence Ong and Yifeng Zheng and Hua Ma and Seyit A. Camtepe and Anmin Fu and Yansong Gao},
journal= {arXiv preprint arXiv:2302.01550},
year = {2023}
}