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

垂直联邦学习（VFL）作为一种集成样本对齐和特征汇聚的新型训练范例，受到了越来越多的关注。然而，现有的 VFL 方法在处理参与者之间的异构本地模型时面临挑战，影响了优化收敛和泛化能力。为了解决这个问题，本文提出了一种新颖的方法，称为垂直联邦学习用于训练多方异构模型（VFedMH）。VFedMH 专注于聚合每个参与者的知识嵌入，而不是在前向传播过程中聚合中间结果。通过安全地聚合本地嵌入获取全局知识嵌入，并将其发送给被动方。然后，被动方利用全局嵌入在本地异构网络上进行前向传播。然而，被动方没有标签，因此无法在本地计算本地模型的梯度。为了克服这个局限性，主动方协助被动方计算其本地异构模型梯度。然后，每个参与者使用异构模型梯度训练其本地模型，目标是最小化各自本地异构模型的损失值。此外，本文还对 VFedMH 的收敛性能进行了理论分析。通过大量实验证明，VFedMH 能够同时训练多个异构模型，并在模型性能方面超过一些最近的方法。

Oct, 2023

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

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

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

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

垂直联邦学习是一种联邦学习的类别，在这种类别中，每个客户端共享相同的样本空间，但仅持有特征的子集。本文提出了 Internet Learning（IL），包括其数据分割和网络环境，将性能表现优化为处理客户端的极端动态条件的主要目标。在模拟传感器网络的基础上，通过实现新方法，提出指标并广泛分析结果，证明所开发的方法对网络变化的鲁棒性更优于 VFL 基线。

Dec, 2023

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

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