論文の概要: Vertical Federated Learning: Taxonomies, Threats, and Prospects
- arxiv url: http://arxiv.org/abs/2302.01550v1
- Date: Fri, 3 Feb 2023 05:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 17:24:04.835454
- Title: Vertical Federated Learning: Taxonomies, Threats, and Prospects
- Title（参考訳）: 垂直的フェデレートラーニング:分類学、脅威、今後の展望
- Authors: Qun Li, Chandra Thapa, Lawrence Ong, Yifeng Zheng, Hua Ma, Seyit A.
Camtepe, Anmin Fu, Yansong Gao
- Abstract要約: フェデレートラーニング(FL)は、最も人気のある分散機械学習技術である。
FLは水平連合学習(HFL)と垂直連合学習(VFL)に分けられる。
異なる企業が同じ顧客に対して異なる機能を持っているため、VFLはHFLよりも関連性が高い。
VFLは新たな研究分野であるが、HFLに比べて確立されていない。
- 参考スコア（独自算出の注目度）: 22.487434998185773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) is the most popular distributed machine learning
technique. FL allows machine-learning models to be trained without acquiring
raw data to a single point for processing. Instead, local models are trained
with local data; the models are then shared and combined. This approach
preserves data privacy as locally trained models are shared instead of the raw
data themselves. Broadly, FL can be divided into horizontal federated learning
(HFL) and vertical federated learning (VFL). For the former, different parties
hold different samples over the same set of features; for the latter, different
parties hold different feature data belonging to the same set of samples. In a
number of practical scenarios, VFL is more relevant than HFL as different
companies (e.g., bank and retailer) hold different features (e.g., credit
history and shopping history) for the same set of customers. Although VFL is an
emerging area of research, it is not well-established compared to HFL. Besides,
VFL-related studies are dispersed, and their connections are not intuitive.
Thus, this survey aims to bring these VFL-related studies to one place.
Firstly, we classify existing VFL structures and algorithms. Secondly, we
present the threats from security and privacy perspectives to VFL. Thirdly, for
the benefit of future researchers, we discussed the challenges and prospects of
VFL in detail.
- Abstract（参考訳）: フェデレートラーニング(FL)は、最も人気のある分散機械学習技術である。
FLは、生データを処理の単一ポイントに取得することなく、機械学習モデルをトレーニングすることができる。
代わりに、ローカルモデルはローカルデータでトレーニングされ、モデルは共有され、組み合わせられる。
このアプローチは、生のデータ自身ではなく、ローカルにトレーニングされたモデルが共有されるため、データのプライバシを保持する。
広範に、FLは水平連合学習(HFL)と垂直連合学習(VFL)に分けられる。
前者では、異なるパーティが同じ機能セットに対して異なるサンプルを保持する。後者では、異なるパーティが同じサンプルセットに属する異なる特徴データを保持する。
多くの現実的なシナリオにおいて、VFLはHFLよりも重要であり、異なる企業(銀行や小売業者など)が同じ顧客に対して異なる機能(クレジットカード履歴やショッピング履歴など)を持っている。
VFLは新たな研究分野であるが、HFLに比べて確立されていない。
さらに、VFL関連の研究は分散しており、それらの関係は直観的ではない。
そこで本調査は,これらのVFL関連研究を一つの場所に展開することを目的とする。
まず,既存のVFL構造とアルゴリズムを分類する。
次に、セキュリティとプライバシーの観点からの脅威をVFLに提示する。
第3に,今後の研究者の利益のために,vflの課題と展望を詳細に論じた。
関連論文リスト
- Stalactite: Toolbox for Fast Prototyping of Vertical Federated Learning Systems [37.11550251825938]
本稿では,VFL(Vertical Federated Learning)システムのためのオープンソースのフレームワークであるemphStalactiteを紹介する。
VFLはデータサンプルが複数のデータ所有者にまたがる機能によって分割されるFLの一種である。
実世界のレコメンデーションデータセットでその使い方を実証する。
論文 参考訳（メタデータ） (2024-09-23T21:29:03Z) - Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。
近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。
この調査は、最近の展開を体系的に概観する。
論文 参考訳（メタデータ） (2024-05-25T16:05:06Z) - PFL-GAN: When Client Heterogeneity Meets Generative Models in
Personalized Federated Learning [55.930403371398114]
パーソナライズドラーニング(PFL)のための新しいGAN(Generative Adversarial Network)の共有と集約戦略を提案する。
PFL-GANは、異なるシナリオにおけるクライアントの不均一性に対処する。より具体的には、まずクライアント間の類似性を学び、次に重み付けされた協調データアグリゲーションを開発する。
いくつかのよく知られたデータセットに対する厳密な実験による実験結果は、PFL-GANの有効性を示している。
論文 参考訳（メタデータ） (2023-08-23T22:38:35Z) - Bayesian Federated Learning: A Survey [54.40136267717288]
フェデレートラーニング(FL)は、分散インフラストラクチャ、コミュニケーション、コンピューティング、学習をプライバシ保護の方法で統合する際の利点を示している。
既存のFL手法のロバスト性と能力は、制限された動的データと条件によって挑戦される。
BFLはこれらの問題に対処するための有望なアプローチとして登場した。
論文 参考訳（メタデータ） (2023-04-26T03:41:17Z) - BadVFL: Backdoor Attacks in Vertical Federated Learning [22.71527711053385]
フェデレートラーニング(FL)は、複数のパーティがデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。
本稿では,VFLのロバスト性,特にバックドアアタックに焦点をあてる。
VFLでは,ラベル推論とバックドアフェーズという2つのフェーズからなる第1種クリーンラベルバックドアアタックが提案されている。
論文 参考訳（メタデータ） (2023-04-18T09:22:32Z) - A Survey on Vertical Federated Learning: From a Layered Perspective [21.639062199459925]
本稿では,垂直連合学習(VFL)の現状を階層的視点から検討する。
我々は、VFLのコアコンポーネント、すなわちセキュアな垂直連合機械学習アルゴリズムを分析するために、新しいMOSP木分類法を設計する。
我々の分類学は、機械学習モデル(M)、保護オブジェクト(O)、セキュリティモデル(S)、プライバシ保護プロトコル(P)の4つの側面を考察している。
論文 参考訳（メタデータ） (2023-04-04T14:33:30Z) - Vertical Federated Learning: A Structured Literature Review [0.0]
フェデレートラーニング(FL)は、データプライバシのメリットを付加した、有望な分散ラーニングパラダイムとして登場した。
本稿では,VFLにおける最先端のアプローチを論じる構造化文献レビューを行う。
論文 参考訳（メタデータ） (2022-12-01T16:16:41Z) - Desirable Companion for Vertical Federated Learning: New Zeroth-Order
Gradient Based Algorithm [140.25480610981504]
VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。
ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-19T13:55:47Z) - Achieving Personalized Federated Learning with Sparse Local Models [75.76854544460981]
フェデレートラーニング(FL)は異種分散データに対して脆弱である。
この問題に対処するため、個人ごとに専用のローカルモデルを作成するためにパーソナライズされたFL(PFL)が提案された。
既存のPFLソリューションは、異なるモデルアーキテクチャに対する不満足な一般化を示すか、あるいは膨大な余分な計算とメモリを犠牲にするかのどちらかである。
我々は、パーソナライズされたスパースマスクを用いて、エッジ上のスパースローカルモデルをカスタマイズする新しいPFLスキームFedSpaを提案する。
論文 参考訳（メタデータ） (2022-01-27T08:43:11Z) - A Coupled Design of Exploiting Record Similarity for Practical Vertical
Federated Learning [47.77625754666018]
フェデレートドラーニング(Federated Learning)は、生データを明らかにすることなく、さまざまなパーティ間で協調学習を可能にする学習パラダイムである。
垂直連合学習における既存の研究は「記録リンク」プロセスを無視している。
トレーニングプロセスに1対多のリンケージを統合する新しい複合トレーニングパラダイムであるFedSimを設計する。
論文 参考訳（メタデータ） (2021-06-11T11:09:53Z) - Towards Personalized Federated Learning [20.586573091790665]
PFL手法をデータベースおよびモデルベースアプローチに分割するユニークな分類法を提案する。
我々は、その重要なアイデアを強調し、新しいpflアーキテクチャ設計に向けた研究の将来の展望を期待する。
論文 参考訳（メタデータ） (2021-03-01T02:45:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。