隐私共享！基于垂直联邦学习的机密预测

May, 2024

隐私共享！基于垂直联邦学习的机密预测

Share Your Secrets for Privacy! Confidential Forecasting with Vertical Federated Learning

Aditya Shankar, Lydia Y. Chen, Jérémie Decouchant, Dimitra Gkorou, Rihan Hai

TL;DR“Secret-shared Time Series Forecasting with VFL” (STV) is a novel framework that addresses challenges in vertical federated learning, providing privacy-preserving algorithms for time series forecasting with strong convergence, minimal hyperparameter tuning, and scalability analysis.

Abstract

vertical federated learning (VFL) is a promising area for time series forecasting in industrial applications, such as predictive maintenance and machine control. Critical challenges to address in manufacturing include data privacy and over-fitting on small and noisy datasets during bot

vertical federated learning privacy-preserving algorithm time series forecasting direct parameter optimization scalability analysis

发现论文，激发创造

FedVS: 面向分割模型的容错和隐私保护垂直联邦学习

本文提出 FedVS 解决纵向联邦学习中的两个主要问题：拖延的客户端会导致性能下降；本地数据和模型的上传会导致信息泄露。FedVS 通过设计本地数据和模型的密钥分享方案，同时保证了信息论隐私并防止客户端和服务器泄露。实验证明 FedVS 在各种类型的 VFL 数据集上都具有普遍优势。

Apr, 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

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

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

vFedSec：通过安全层实现垂直联邦学习的高效安全聚合

本文提出了一种名为 vFedSec 的新型设计，其中包含一个创新的安全层，可使用安全聚合中的最新安全模块安全高效地进行垂直联邦学习，实现隐私数据的有效保护，并且速度比同类方法快得多。

May, 2023

垂直联邦神经网络的安全前向聚合

该论文研究了 VFL 中一个常用的神经网络框架 SplitNN，并提出了一个综合考虑数据安全和模型性能的神经网络协议 SFA，采用可移除的遮罩以保护原始数据，在实验中证明 SFA 能够同时实现数据安全和高模型性能。

Jun, 2022

VAFL: 垂直异步联邦学习方法

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

动态网络中的容错垂直联合学习

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

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

基于树模型的隐私保护纵向联邦学习

这篇研究论文旨在解决协作机构拥有具有不同特征的同一组用户数据和只有一个组织持有标签等场景下的隐私保护垂直联邦学习问题，并提出了一种名为 Pivot 的隐私保护垂直决策树训练和预测的解决方案，该方案不依赖于任何受信任的第三方，并提供了针对半诚实对手的保护。

Aug, 2020