PyVertical 是一个支持使用分割神经网络实现垂直联邦学习的框架，它允许数据科学家在多个拥有者的设备上训练神经网络，同时将原始数据保留在设备上并使用 Private Set Intersection 来链接不同数据集分区中共享的实体。本文通过在两个数据拥有者和一个数据科学家之间垂直分配数据样本，实现 MNIST 分类任务的简单双头分割神经网络的训练，验证了该框架的有效性。

Apr, 2021

本文提出了一个分布式深度学习方法（SplitNN），解决了不同卫生机构之间在不共享原始数据的情况下，如何协同训练深度学习模型的问题。我们提出的 SplitNN 配置适用于不同的实践设置，包括拥有不同患者数据模态的机构、多个卫生机构合作的集中式和本地式协作，以及不共享标签的学习。通过比较 splitNN 和其他分布式深度学习方法（如联邦学习，大型批量同步随机梯度下降）的性能和资源效率权衡，我们展示了 SplitNN 的高度鼓舞人心的结果。

Dec, 2018

通过研究 SplitNN 及其所带来的潜在威胁和攻击，本研究提出了一种隐私保护的信息交换通道，利用可控的解决方案扰乱知识的传播，并使用新的激活函数 R3eLU 来有效地防御威胁。本研究的实验结果表明，该方法在绝大部分情况下都能较好地平衡防御和模型可用性。

Apr, 2023

本文研究了图分区对分布式图神经网络训练的有效性，发现图分区是一个关键的预处理步骤，能够大大减少训练时间和内存占用，同时也证明了分区所需的时间可以通过减少图神经网络训练时间加以弥补。

Aug, 2023

本文介绍了一种模型分区 / 切割的方法，将深度神经网络切分为两个部分，分别在设备和服务器上进行联合训练和联合推理，旨在通过交替优化解决划分点选择和带宽分配问题，以最小化系统的延迟

Oct, 2023

该论文研究了 VFL 中一个常用的神经网络框架 SplitNN，并提出了一个综合考虑数据安全和模型性能的神经网络协议 SFA，采用可移除的遮罩以保护原始数据，在实验中证明 SFA 能够同时实现数据安全和高模型性能。

Jun, 2022

本篇文章详细调研了针对云、边缘和端设备中的深度神经网络划分方法的最近进展和挑战，并提出了一个基于五维分类框架的统一数学模型，以及一组用于比较和评估这些方法的度量标准。

Apr, 2023

在给定的硬件资源约束下，我们设计了深度神经网络，对应的网络拆分来将 DNN 的工作负载分配到摄像头传感器和中央聚合器上的头戴设备上，以满足系统性能目标，通过 SplitNets 框架进行模型设计、拆分和通信减少，进一步扩展框架用于多视图系统，以实现从多个相机传感器中输入的最佳性能和系统效率的融合学习，并在 ImageNet 和 3D 分类的单视图及多视图系统上验证拆分网络的表现优于现有方法。

Apr, 2022

通过将模型划分到多个 GPU 上并生成合成中间标签来训练各个部分，以减少数据通信和保持模型准确性为目标，该研究证实了该方法在减少内存和计算需求的同时实现了类似传统训练方法的测试准确性，从而减轻了训练大型神经网络的资源密集性，为更高效的深度学习模型开发铺平了道路。

Mar, 2024

轻量级自主无人机、感知算法、NaviSplit 分布式动态多分支神经模型、基于分割 DNN 的动态模型的自主导航研究。

Jun, 2024