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

该研究提出了第一个用于垂直联合学习（VFL）中贝叶斯模型拟合的全面框架，通过数据增强技术将 VFL 问题转化为与现有贝叶斯联合学习算法兼容的形式，并开创了在垂直分区数据场景中进行隐私保护、去中心化贝叶斯推断的新研究方向与应用领域。

May, 2024

提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN, 以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

Jan, 2024

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

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

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

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

TabVFL 是一个分布式框架，通过使用参与者的联合特征，改善了潜在表示学习的效果，保护了数据隐私，保留了特征相关性，并在训练过程中提供了增强的鲁棒性。

Apr, 2024

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