Jul, 2023

基于破产问题的垂直联邦学习激励分配

PDF
TL;DR本文关注垂直联邦学习中的激励分配问题，将其视为 Nucleolus 博弈论概念的一种变体，利用 Talmud 的分割法则解决该问题。我们在合成数据集和真实数据集上评估了我们提出的方法，并展示其在为联邦模型做出贡献的被动方实现激励分配的公平性和稳定性。此外，我们与计算 Shapley 值的现有解决方案进行了比较，并展示了我们的方法在计算量更少的情况下提供了更高效的解决方案。
发现论文，激发创造
  • 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

  • 基于分层视角的垂直联邦学习综述

    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

  • 基于垂直分区数据的实用训练的解耦垂直联合学习

    垂直联邦学习（VFL）是一种新兴的分布式机器学习范式，其中具有共同实体的不同特征的所有者合作学习一个全局模型，而不共享数据。我们提出了解耦的 VFL（DVFL）作为一种分块学习方法，它允许分散聚合和特征学习与标签监督之间的隔离，在容错性和安全性方面具有优势。我们使用 DVFL 训练分割神经网络，并证明在各种分类数据集上，模型性能与 VFL 相当。

    Mar, 2024

  • 具有异构参与方的灵活垂直联邦学习

    本文提出了一种名为 Flex-VFL 的分布式机器学习算法，它通过垂直划分数据的方式训练平滑的非凸函数，使用并行块坐标下降的方式训练全局模型并在不同的方面进行扩展来适应各方参与训练的异质性，通过收敛分析展示了算法的效果，并将其与其他算法进行了比较。

    Aug, 2022

  • 用于垂直联邦学习中的特征交易的基于协商的方法

    垂直联邦学习（Vertical Federated Learning）引入了基于交易的训练方法来有效商业化，采用基于性能增益的定价，并在完美和不完美性能信息环境下进行分析和优化模型，研究了潜在的安全问题与解决方案，并通过三个真实数据集的实验证明了提出的交易模型的有效性。

    Feb, 2024

  • 竖直联邦学习混合本地预训练

    垂直联邦学习（VFL）在学术界和工业界引起了广泛关注，它具有广泛的实际应用。本文提出了一种新颖的 VFL 混合本地预训练（VFLHLP）方法，通过预训练本地网络来调整标记方的子模型或增强其他方在对齐数据上的表示学习，以提高联邦模型的性能。

    May, 2024

  • 隐私博弈：在隐私限制下实现更好的联邦平台协作

    本文提出一个基于游戏理论的垂直联合学习方法，解决了数据隐私保护，协作参与，多平台数据利用以及合理奖励等问题，模拟了不同平台间的协商和策略性优化，有效地促进了 VFL 下多平台数据的协作利用。

    Feb, 2022

  • 使用敌对嵌入攻击竖直联邦学习模型

    本研究探讨了垂直联邦学习的安全保障问题，针对现有垂直联邦学习框架中使用密码学技术提供数据隐私和安全保障的方式，提出了对模型安全性的进一步研究探讨。

    Dec, 2022

  • 多方参与多类纵向联邦学习

    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

  • 垂直联邦学习的效果、安全性、适用性调查

    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