Feb, 2024

用于垂直联邦学习中的特征交易的基于协商的方法

PDF
TL;DR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。
vertical federated learningvflfeature tradingbargaining-based approachperformance gain estimation
发现论文，激发创造
  • 基于破产问题的垂直联邦学习激励分配

    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。

    Jul, 2023

  • 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

  • VertiBench：提升竖直联邦学习基准中特征分布的多样性

    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

  • 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

  • BadVFL: 垂直联邦学习的后门攻击

    本文研究了垂直联邦学习中的干扰攻击，提出了第一种干净标签后门攻击技术，并在三个数据集上验证了其有效性，研究了攻击成功的因素，并讨论了减轻其影响的对策。

    Apr, 2023

  • 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

  • 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

  • UIFV：纵向联邦学习中的数据重构攻击

    利用统一 InverNet 框架引入 VFL 中，通过利用中间特征数据重构原始数据，而不是依赖于梯度或模型细节，我们的研究揭示了 VFL 系统中的严重隐私漏洞，这对实际 VFL 应用构成了真正的威胁，并证实了进一步增强 VFL 架构中的隐私保护的必要性。

    Jun, 2024

  • LESS-VFL: 用于联合学习的高效通信特征选择

    本文提出了 LESS-VFL，这是一种用于垂直切分数据的分布式系统中的通信高效特征选择方法，通过优化服务器端的全局模型，然后将此信息分享给其他参与方，从而允许本地特征选择，进而提高模型的泛化性、效率和可解释性。

    May, 2023

  • 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