用于高效在线广告的垂直半联邦学习

传统垂直联邦学习范式存在两个主要问题：1) 仅适用于重叠样本的限制性适用范围，以及 2) 实时联邦服务的高度系统挑战，这限制了其在广告系统中的应用。为此，我们倡导一种用于真实工业应用的实用新学习设定——半垂直联邦学习(Semi-VFL)，其中所学模型在保留联邦学习充分优势的同时支持独立本地服务。为实现此目标，我们提出精心设计的联合特权学习框架(JPL)，以 i) 通过联邦等价模仿缓解被动方特征缺失问题，以及 ii) 通过跨分支排序对齐适应异构全样本空间。在真实广告数据集上进行的大量实验验证了我们的方法相对于基线方法的有效性。