隐私博弈:在隐私限制下实现更好的联邦平台协作
本文提供了关于垂直联邦学习的综述,包括联邦学习的概念、算法及其各个方面的挑战和现有进展;介绍了 VFL 的分类、隐私保护协议、攻击和防御策略,并提出了 VFLow 统一框架;最后还回顾了工业应用的最新进展和存在的开放性问题和未来发展方向。
Nov, 2022
纵向联邦学习是一种隐私保护的分布式学习范式,不泄露私密数据的情况下,不同参与方通过使用共享样本的分区特征协同学习模型。本文对纵向联邦学习的最新发展进行了系统概述,并提出了几个关键的未来研究方向,以促进该领域的发展。
May, 2024
综述了垂直联邦学习中的隐私攻击和防御方法,提供了攻击和防御的分类方法,并讨论了未来的研究方向和挑战,为研究人员提供了资源,为从业者在机器学习模型的生命周期中保护数据隐私提供明确指导和可行的见解。
Feb, 2024
本文提出了一种名为 MMVFL 的多方参与的多类别垂直联邦学习框架,采用多视角学习的思想,在保护隐私的前提下,将标签信息从其所有者分享到其他联邦学习参与者中。实验结果表明,MMVFL 可以在多个 VFL 参与者之间有效地共享标签信息,并达到现有方法的多类别分类性能水平。
Jan, 2020
本文针对垂直联邦学习 (VFL) 这种特殊的架构设计,旨在解决 VFL 中关于安全隐私、大量计算和通信成本、模型分裂和系统异构等方面的研究挑战,提出有效的解决方案并在真实数据集上进行了实验,证明了我们的方案的有效性。
Feb, 2022
本文从硬件层到垂直联邦系统层对垂直联邦学习的现有工作和挑战进行分类,特别设计了一种新的 MOSP 树分类法来分析保护对象、安全模型和隐私保护协议等四个维度的核心组件 - 安全垂直联邦机器学习算法。
Apr, 2023
通过结构化的分析,本文对垂直联邦学习 (VFL) 中的贡献评估进行了全面的回顾,包括评估技术、隐私考虑和计算方法,并探讨了在 VFL 中涉及贡献评估的各种任务及其与 VFL 生命周期阶段的关系。最后,本文提出了 VFL 贡献评估面临的未来挑战,旨在引导研究人员和实践者设计和实现更有效、高效和注重隐私的 VFL 解决方案。
May, 2024
本文研究了垂直联邦学习在数据隐私和任务效用目标之间的微妙平衡,并提出了一种灵活而通用的方法来解决这个问题。通过对共享特征嵌入进行规范剪裁,我们首先得出了严格的隐私保证,接下来通过对特征嵌入的规模和分布进行自适应调整,我们还优化了任务效用,同时不损害建立的差分隐私机制。通过大量实验证明了我们提出的 VFL-AFE 框架能有效抵御隐私攻击并保持有利的任务效用。
Jul, 2023
本文介绍了两个影响垂直联邦学习性能的关键因素 - 特征重要性和特征相关性,并提出了相关的评估指标和数据集分割方法,同时介绍了一个实际的 VFL 数据集来解决图像之间的 VFL 场景不足。针对尖端的 VFL 算法的全面评估为未来的研究提供了有价值的见解。
Jul, 2023