VFLAIR：一个用于纵向联邦学习的研究库与基准
机器学习
2024-04-17 v2
摘要
纵向联邦学习（VFL）已成为一种协作训练范式，允许拥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完成协同训练。VFL因其研究潜力与近年来的真实世界应用而获得显著关注，但仍面临重大挑战，例如防御各类数据推断与后门攻击。此外，现有多数VFL项目面向工业界，不易用于追踪当前研究进展。为满足该需求，我们提出一个可扩展且轻量的VFL框架VFLAIR（可在 https://github.com/FLAIR-THU/VFLAIR 获取），其支持使用多种模型、数据集与协议进行VFL训练，并配有用于全面评估攻击与防御策略的标准化模块。我们还在不同通信与模型划分设置下对11种攻击与8种防御的性能进行基准测试，并就不同实际VFL部署场景中防御策略的选择得出具体见解与建议。
引用
@article{arxiv.2310.09827,
title = {VFLAIR: A Research Library and Benchmark for Vertical Federated Learning},
author = {Tianyuan Zou and Zixuan Gu and Yu He and Hideaki Takahashi and Yang Liu and Ya-Qin Zhang},
journal= {arXiv preprint arXiv:2310.09827},
year = {2024}
}
备注
39 pages, 22 figures, 19 tabels