論文の概要: A Survey on Vertical Federated Learning: From a Layered Perspective
- arxiv url: http://arxiv.org/abs/2304.01829v1
- Date: Tue, 4 Apr 2023 14:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 13:41:29.492899
- Title: A Survey on Vertical Federated Learning: From a Layered Perspective
- Title（参考訳）: 垂直的フェデレーション学習に関する調査--階層的視点から
- Authors: Liu Yang, Di Chai, Junxue Zhang, Yilun Jin, Leye Wang, Hao Liu, Han
Tian, Qian Xu, Kai Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.639062199459925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vertical federated learning (VFL) is a promising category of federated
learning for the scenario where data is vertically partitioned and distributed
among parties. VFL enriches the description of samples using features from
different parties to improve model capacity. Compared with horizontal federated
learning, in most cases, VFL is applied in the commercial cooperation scenario
of companies. Therefore, VFL contains tremendous business values. In the past
few years, VFL has attracted more and more attention in both academia and
industry. In this paper, we systematically investigate the current work of VFL
from a layered perspective. From the hardware layer to the vertical federated
system layer, researchers contribute to various aspects of VFL. Moreover, the
application of VFL has covered a wide range of areas, e.g., finance,
healthcare, etc. At each layer, we categorize the existing work and explore the
challenges for the convenience of further research and development of VFL.
Especially, we design a novel MOSP tree taxonomy to analyze the core component
of VFL, i.e., secure vertical federated machine learning algorithm. Our
taxonomy considers four dimensions, i.e., machine learning model (M),
protection object (O), security model (S), and privacy-preserving protocol (P),
and provides a comprehensive investigation.
- Abstract（参考訳）: VFL(Vertical Federated Learning)は、データを垂直に分割し、パーティ間で分散するシナリオにおいて、有望なフェデレーション学習のカテゴリである。
VFLは、モデルのキャパシティを改善するために、異なるパーティの機能を使用してサンプルの記述を強化する。
水平連合学習と比較して、多くの場合、vflは企業の商業協力シナリオに適用される。
したがって、VFLには膨大なビジネス価値がある。
ここ数年、VFLは学界と産業の両方でますます注目を集めてきた。
本稿では,層構造の観点からVFLの現状を体系的に検討する。
ハードウェア層から垂直フェデレーションシステム層まで、研究者はvflのさまざまな側面に貢献している。
さらに、vflの適用は金融や医療など、幅広い分野をカバーしている。
各層において、既存の研究を分類し、VFLのさらなる研究・開発における利便性の課題を探求する。
特に,新しいMOSP木分類法を設計し,VFLのコアコンポーネント,すなわちセキュアな垂直フェデレーション機械学習アルゴリズムを解析する。
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つの側面を考慮し、包括的な調査を提供する。
関連論文リスト
- 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) - VFLAIR: A Research Library and Benchmark for Vertical Federated Learning [14.878602173713686]
垂直学習(VFL)は、同じグループのユーザの異なる特徴を持つ参加者が、生のデータやモデルパラメータを公開せずに協調トレーニングを達成できるようにする、協調トレーニングパラダイムとして登場した。
近年、VFLは研究の可能性や現実世界の応用に大きな注目を集めているが、様々な種類のデータ推論やバックドア攻撃の防衛など、依然として重大な課題に直面している。
我々は、様々なモデル、データセット、プロトコルによるVFLトレーニングと、攻撃と防御戦略の総合的な評価のための標準化されたモジュールをサポートする、フェデレーションで軽量なVFLフレームワークであるVFLAIRを提案する。
論文 参考訳（メタデータ） (2023-10-15T13:18:31Z) - Heterogeneous Federated Learning: State-of-the-art and Research
Challenges [117.77132819796105]
不均一フェデレートラーニング(HFL)はより困難であり、それに対応するソリューションは多様で複雑である。
HFLの新たな進歩を概説し,既存のHFL手法の新たな分類法を提案する。
HFLにおけるいくつかの重要かつ将来的な研究方向性について論じる。
論文 参考訳（メタデータ） (2023-07-20T06:32:14Z) - Vertical Federated Learning: Taxonomies, Threats, and Prospects [22.487434998185773]
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。
論文 参考訳（メタデータ） (2023-02-03T05:13:40Z) - Vertical Federated Learning: Concepts, Advances and Challenges [18.38260017835129]
VFL(Vertical Federated Learning)の概念とアルゴリズムについてレビューする。
VFL設定とプライバシ保護プロトコルを網羅的に分類する。
本稿では,コミュニケーション,計算,プライバシ,有効性,公平性といった制約を考慮した統合フレームワーク VFLow を提案する。
論文 参考訳（メタデータ） (2022-11-23T10:00:06Z) - Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。
サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。
新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
論文 参考訳（メタデータ） (2022-09-30T17:59:27Z) - Low-Latency Cooperative Spectrum Sensing via Truncated Vertical
Federated Learning [51.51440623636274]
データプライバシを損なうことなく、複数のセカンダリユーザ(SU)にまたがる分散機能を活用できる垂直連合学習(VFL)フレームワークを提案する。
学習プロセスの高速化を目的として,T-VFL(Truncated vertical Federated Learning)アルゴリズムを提案する。
T-VFLの収束性能は、数学的解析によって提供され、シミュレーション結果によって正当化される。
論文 参考訳（メタデータ） (2022-08-07T10:39:27Z) - BlindFL: Vertical Federated Machine Learning without Peeking into Your
Data [20.048695060411774]
垂直連合学習(VFL)は、さまざまな参加者のプライベートデータに基づいてMLモデルを構築する場合を記述している。
本稿では,VFLトレーニングと推論のための新しいフレームワークであるBlindFLを紹介する。
BlindFLは、堅牢なプライバシー保証を達成しつつ、多様なデータセットやモデルを効率的にサポートする。
論文 参考訳（メタデータ） (2022-06-16T07:26:50Z) - 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) - Vertical Federated Learning: Challenges, Methodologies and Experiments [34.4865409422585]
垂直学習(VFL)は、異なるクライアントからサブモデルを受け入れることで、ハイパーMLモデルを構築することができる。
本稿では,VFLにおける課題を効果的に解決し,実生活データセット上で実験を行う。
論文 参考訳（メタデータ） (2022-02-09T06:56:41Z) - FedML: A Research Library and Benchmark for Federated Machine Learning [55.09054608875831]
フェデレート・ラーニング(Federated Learning, FL)は、機械学習の分野で急速に成長している研究分野である。
既存のFLライブラリは多様なアルゴリズム開発を適切にサポートできない。
FLアルゴリズムの開発と公正な性能比較を容易にするための,オープンな研究ライブラリとベンチマークであるFedMLを紹介する。
論文 参考訳（メタデータ） (2020-07-27T13:02:08Z)
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。