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
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
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
该研究探讨了一种解决垂直联邦学习的方法，该方法不需要多个客户端协作，适合客户端间断性连接，并采用基于扰动局部嵌入的隐私保护技术和随机梯度算法，从而提高通信效率和数据隐私保护等方面表现更加优越。
Jul, 2020
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
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
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。
本文研究了如何将联邦学习应用于车辆使用案例中，目标是对道路上的障碍物、异常情况和路面类型进行分类。我们提出的框架利用了联邦学习和 TabNet，这是一种用于表格数据的先进神经网络。我们是第一个展示 TabNet 如何与联邦学习集成的研究，并且我们取得了最高 93.6% 的测试准确率。最后，我们论证了联邦学习是该数据集的一个合适概念。
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。
在分布式垂直数据学习中，我们提出了一种通过实体增强技术来减少集合交集和实体对齐的方法，从而在分类任务中实现高效的垂直联邦学习。
Jun, 2024