VFLens：通过可视化协同设计高效纵向联邦学习的建模流程
人机交互
2022-10-04 v1
摘要
作为一种分布式训练方法，联邦学习使多个组织能够在不暴露其私有数据的情况下联合训练模型。本工作研究纵向联邦学习（VFL），以应对协作组织拥有相同用户集合但特征不同、且仅有一方持有标签的场景。尽管 VFL 表现出良好的性能，从业者在为 VFL 训练阶段准备不透明的内外部特征与样本时常常面临不确定性。此外，为平衡预测精度与模型推理的资源消耗，从业者需要知道哪些预测实例子集真正需要调用 VFL 模型进行推理。为此，我们协同设计 VFL 建模流程，提出一种交互式实时可视化系统 VFLens，以协助从业者进行特征工程、样本选择与推理。一个使用场景、一项定量实验以及专家反馈表明，VFLens 能帮助从业者以更低的成本、足够的置信度提升 VFL 效率。
引用
@article{arxiv.2210.00472,
title = {VFLens: Co-design the Modeling Process for Efficient Vertical Federated Learning via Visualization},
author = {Yun Tian and He Wang and Laixin Xie and Xiaojuan Ma and Quan Li},
journal= {arXiv preprint arXiv:2210.00472},
year = {2022}
}
备注
The Tenth International Symposium of Chinese CHI (Chinese CHI 2022), October 22--23, 2022, Guangzhou, China and Online, China