本文提出了一种异步的基于拟牛顿算法的竖直联邦学习框架 (AsySQN)，并在此基础上提出了 AsySQN-SGD、AsySQN-SVRG 和 AsySQN-SAGA 三个算法，通过在实践中收敛比 SGD 更快地 Hessian 所产生的形式来缩小下降步长，从而大大减少通信轮次，并可以更好地利用计算资源，同时理论上证明了算法对于强凸问题的收敛速度，实验结果表明我们提出的算法在真实数据集上比现有的算法具有更低的通信成本和更好的计算资源利用率。

Sep, 2021

本文提出一种 VFBL 框架，整合了新的向后更新机制和双层异步并行体系结构（VF {${ extbf {B}}^2$}），在该框架下提出了三种新算法，包括 VF {${ extbf {B}}^2$}-SGD，-SVRG 和 - SAGA，这三个算法在强凸和非凸条件下具有收敛速率的理论结果，我们也证明了 VF {${ extbf {B}}^2$} 的安全性。 大量基准数据集上的实验表明，我们的算法具有高效性，可扩展性和无损失性。

Mar, 2021

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

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

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

我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

Oct, 2023

本文提出 FedVS 解决纵向联邦学习中的两个主要问题：拖延的客户端会导致性能下降；本地数据和模型的上传会导致信息泄露。FedVS 通过设计本地数据和模型的密钥分享方案，同时保证了信息论隐私并防止客户端和服务器泄露。实验证明 FedVS 在各种类型的 VFL 数据集上都具有普遍优势。

Apr, 2023

基于垂直分割数据发布的纵向联邦学习生成对抗网络 (VFLGAN) 通过提供质量更好的合成数据，显著提高了生成对抗网络的效果，并利用高效有效的高斯机制为合成数据提供差分隐私保证，还在合成数据中应用会员推理攻击的实际审核方案评估隐私泄漏。

Apr, 2024

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

本文提出了一种名为 vFedSec 的新型设计，其中包含一个创新的安全层，可使用安全聚合中的最新安全模块安全高效地进行垂直联邦学习，实现隐私数据的有效保护，并且速度比同类方法快得多。

May, 2023