May, 2024

垂直联邦学习中的贡献评估调查

PDF
TL;DR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。
vertical federated learningcontribution evaluationprivacy concernscollaboration frameworkvfl lifecycle
发现论文，激发创造
  • 联邦学习中的贡献评估：现有方法的考察

    联邦学习 (Federated Learning) 中的 Contribution Evaluation (CE) 问题对于计算每个客户端的公平价值的评估至关重要。本研究回顾了当前 CE 方法的数学框架，并对一些最有前景的方法进行了基准测试，展示它们与现有方法的差异。设计一个公平高效的 CE 方法对于联邦学习的主流应用至关重要。

    Nov, 2023

  • 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

  • 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

  • 基于模型生命周期的垂直联邦学习中隐私威胁与防御调查

    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

  • 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

  • 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

  • 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

  • 纵向联邦学习：一项结构化文献综述

    本文介绍了垂直联合学习的状态和即将面临的挑战，它是在分散的数据上训练机器学习模型的一种方法，可保护数据隐私。

    Dec, 2022

  • 测量联邦学习中参与者的贡献

    本文研究了在保护数据隐私的前提下，让多方参与建立模型的联邦机器学习生态系统中，如何公平计算每个参与方的贡献值。通过使用删除方法和 Shapley 值等简单而有力的技术计算组合实例影响和组合特征重要性，我们为研究模型贡献和信用分配在联邦机器学习中打开了大门。

    Sep, 2019