- IJCAI使用有限重叠的垂直分割数据的实体增强策略提高分类效率
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。
- UIFV:纵向联邦学习中的数据重构攻击
利用统一 InverNet 框架引入 VFL 中,通过利用中间特征数据重构原始数据,而不是依赖于梯度或模型细节,我们的研究揭示了 VFL 系统中的严重隐私漏洞,这对实际 VFL 应用构成了真正的威胁,并证实了进一步增强 VFL 架构中的隐私 - 隐私共享!基于垂直联邦学习的机密预测
“Secret-shared Time Series Forecasting with VFL” (STV) is a novel framework that addresses challenges in vertical federa - 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。
- 竖直联邦学习混合本地预训练
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。
- 通过数据增强和摊销推理实现可扩展的垂直联邦学习
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。
- 垂直联邦学习中的贡献评估调查
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 - PackVFL:垂直联邦学习的高效加密压缩
通过基于打包的同态加密(PackedHE)的高效垂直联邦学习(VFL)框架 PackVFL,在保持安全的前提下解决了 VFL 基于同态加密的低效问题,并通过优化矩阵乘法方法(MatMult method)显著提高了性能。
- TabVFL:垂直联邦学习中潜在表示的改进
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。
- KDk:垂直联邦学习中的标签推断攻击防御机制
通过应用我们的方法,我们提出了一种名为 KDk 的新颖框架,结合了知识蒸馏和 k - 匿名性,以在竖直分割数据的联邦学习(VFL)场景中提供对潜在标签推断攻击的防御机制,通过详尽的实验结果表明,我们的方法能够显著降低分析的标签推断攻击的性能 - 通过约束多目标联邦学习优化 SecureBoost 的超参数
为了解决 SecureBoost 及其变种在隐私泄露方面的漏洞问题,我们提出了一种名为 Constrained Multi-Objective SecureBoost (CMOSB) 的算法,旨在实现在模型效果、训练成本和隐私泄露之间取得最 - 计算与通信高效的轻量化垂直联邦学习
轻量级垂直联邦学习(LVFL)通过分别优化特征模型和特征嵌入的轻量化策略,有效减轻了计算和通信需求,同时保持了强大的学习性能。
- 基于垂直分区数据的实用训练的解耦垂直联合学习
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 - 用于垂直联邦学习中的特征交易的基于协商的方法
垂直联邦学习(Vertical Federated Learning)引入了基于交易的训练方法来有效商业化,采用基于性能增益的定价,并在完美和不完美性能信息环境下进行分析和优化模型,研究了潜在的安全问题与解决方案,并通过三个真实数据集的实验 - 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。
- 联邦学习中的隐私威胁与对策调查
本文描述了水平联邦学习、垂直联邦学习和传输联邦学习等典型类型的联邦学习的隐私威胁和对策。
- 隐私保护数据融合的交通状态估计:一种垂直联邦学习方法
本文提出了一种用于交通状态估计(TSE)的隐私保护数据融合方法,该方法可以解决多个数据所有者之间的协作和数据共享中出现的数据隐私问题,并通过垂直联邦学习(FL)和保护隐私的物理信息 FL 方法实现了协作训练和应用 TSE 模型而无需交换私有 - 基于 GAN 的数据污染框架用于对抗垂直联邦学习中的异常检测
在垂直联邦学习中,通过保护数据隐私,商业实体共同训练一个模型。然而,恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战,本文引入了一种创新的端到端毒化框架 P-GAN。同时,我们还开发了一种基于深度自编码器(DAE)的异常检 - 纵向联邦图像分割
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 - 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