基于拟牛顿方法的垂直联邦学习框架用于逻辑回归

Dec, 2019

基于拟牛顿方法的垂直联邦学习框架用于逻辑回归

A Quasi-Newton Method Based Vertical Federated Learning Framework for Logistic Regression

Kai Yang, Tao Fan, Tianjian Chen, Yuanming Shi, Qiang Yang

TL;DR研究垂直联邦学习结构用于逻辑回归，建立在同态加密方案之上的拟牛顿方法可解决交流困境，能够显著降低交流轮数，并且在每轮中，附加的沟通成本较少。

Abstract

data privacy and security becomes a major concern in building machine learning models from different data providers. federated learning sh

data privacy security federated learning vertical federated learning logistic regression

发现论文，激发创造

无第三方协调员的垂直联邦学习并行分布式逻辑回归

本研究提出了一种解决垂直联邦学习的并行分布式逻辑回归问题的方案，并使用使用参数服务器架构构建系统以提高模型训练速度，并评估了其性能和实验结果表明其具有良好的可扩展性。

Nov, 2019

基于二次功能加密的垂直联邦学习安全训练

本文研究如何在垂直联邦学习中，使用二次型函数加密来训练广义线性模型，避免信息泄露问题。

May, 2023

安全聚合的高效垂直联邦学习

本文提出了一种使用最先进的安全模块进行安全和高效的垂直联邦学习的新方法，与同态加密（HE）相比，该方法提供了 9.1e2〜3.8e4 的加速，同时不影响训练性能。

May, 2023

安全联合矩阵分解

本研究提出一种基于矩阵分解的安全联邦学习框架，称为 FedMF，利用同态加密技术实现了对上传信息的加密保护，从而解决联邦学习中梯度泄露的问题，并证明了其可行性。

Jun, 2019

非对称垂直联邦学习

本文提出新的不对称垂直联邦学习架构来保护数据隐私，采用标准的私有集合交集协议和 Pohlig-Hellman 方法来实现不对称 ID 对齐，并提供真实和虚假的方法来实现联邦模型训练。通过实验证明了该方法的可行性。

Apr, 2020

通过实体解析和加法同态加密在纵向划分数据上进行的私有联合学习

本文中提出了一种三方、两阶段的解决方案 —— 通过使用同态加密加密信息来实现隐私保护实体解析和联邦逻辑回归，并对实体解析错误对学习效果以及最优分类器、经验损失、边际和泛化能力的影响进行了形式化的分析

Nov, 2017

大规模安全 XGB 竖直联邦学习

本研究旨在在垂直联合学习设置下构建大规模安全的梯度树提升模型，并从多个方面保证数据隐私，包括采用安全的多方计算技术、分布式存储输出模型以最小化信息泄露，以及提供一种新的算法用于在分布式模型上进行安全的梯度树提升模型预测。通过提出安全置换协议，我们可以提高训练效率并使框架扩展到大型数据集。在公共数据集和真实世界数据集上进行了广泛的实验，结果表明，我们提出的 XGB 模型不仅具有竞争性的准确性，而且具有实用性能。

May, 2020

基于残差的垂直逻辑回归标签保护机制

该研究提出了一种标签推断攻击方法来研究垂直逻辑回归模型的潜在隐私泄露，并提出了三种保护机制来防止攻击并提高模型的鲁棒性，实验结果表明，这些机制都可以有效地保护标签。

May, 2022

面向图卷积神经网络的垂直联邦学习框架

本文提出 FedVGCN 算法，是一个隐私保护的节点分类任务的联邦学习范式，能够推广到现有的 GCN 模型，将计算图数据分成两部分，在同态加密下，双方交换中间结果进行训练，实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。

Jun, 2021

水平和垂直数据分区的高效电子健康混合联邦学习

电子健康允许智能设备和医疗机构协作收集患者数据，通过人工智能技术进行训练，以帮助医生进行诊断。我们提出了一个混合联邦学习框架，包括水平和垂直分区的数据，并开发了一种适应性策略来调整训练参数和缩小发送的数据大小。实验证明，所提出的算法可以实现所需的准确性，同时减少通信成本，也验证了适应性策略的有效性。

Apr, 2024