安全聚合的高效垂直联邦学习

May, 2023

Efficient Vertical Federated Learning with Secure Aggregation

Xinchi Qiu, Heng Pan, Wanru Zhao, Chenyang Ma, Pedro Porto Buarque de Gusmão...

TL;DR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。

Abstract

The majority of work in privacy-preserving federated learning (FL) has been focusing on horizontally partitioned datasets where clients share the same sets of features and can train complete models independently.

privacy-preserving federated learning vertical federated learning secure aggregation homomorphic encryption

发现论文，激发创造

vFedSec：通过安全层实现垂直联邦学习的高效安全聚合

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

基于树模型的隐私保护纵向联邦学习

这篇研究论文旨在解决协作机构拥有具有不同特征的同一组用户数据和只有一个组织持有标签等场景下的隐私保护垂直联邦学习问题，并提出了一种名为 Pivot 的隐私保护垂直决策树训练和预测的解决方案，该方案不依赖于任何受信任的第三方，并提供了针对半诚实对手的保护。

Aug, 2020

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

金融异常检测的垂直和水平分割数据上的隐私保护联合学习

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

联邦学习的安全与隐私问题

分布式学习中的联邦学习存在安全和隐私挑战，本研究针对各类机器学习模型，包括大型语言模型，提出了安全和隐私挑战的综合分类，重点关注聚合器和参与者的攻击，包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击，同时提出了未来研究的新方向，旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。

Jul, 2023

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

联邦学习：应用、挑战和未来方向

本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

May, 2022

垂直联邦神经网络的安全前向聚合

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

纵向联邦学习：挑战、方法与实验

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

垂直联邦学习

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