FedPass: Privacy-Preserving Vertical Federated Deep Learning with Adaptive Obfuscation
Webank（微众银行）；HKUST（香港科技大学）
垂直联邦学习（VFL）允许具有标记特征的主动方利用被动方的辅助特征来提高模型性能。在VFL的训练和推理过程中，私有特征和标签泄漏问题引起了广泛的研究关注。在本文中，我们提出了一个通用的隐私保护垂直联邦深度学习框架FedPass，它利用自适应混淆来同时保护特征和标签。从理论上证明了私有特征和标签的强隐私保护能力（定理1和定理2）。不同数据集和网络架构的广泛实验结果也证明了FedPass相对于现有方法的优越性，因为它在隐私和模型性能之间接近最佳的权衡。
2023-01-31 cs.CR cs.DC cs.LG
Quadratic Functional Encryption for Secure Training in Vertical Federated Learning
University of Toronto（多伦多大学）；IIT Madras（印度理工学院马德拉斯分校）
本文针对纵向联邦学习中的信息泄露问题，提出采用二次函数加密替代多输入函数加密，以安全训练广义线性模型，避免Xu等人方案中的部分信息泄露。
2023-06-19 cs.CR cs.DC cs.LG
PyVertical: A Vertical Federated Learning Framework for Multi-headed SplitNN
OpenMined；Edinburgh Napier University（爱丁堡龙比亚大学）；Apheris；Tessella；Birla Institute of Technology, Mesra（比拉理工学院（梅斯拉校区））
我们介绍PyVertical，这是一个使用分离神经网络支持垂直联邦学习的框架。所提出的框架允许数据科学家对跨多个所有者垂直分区的数据特征进行训练神经网络，同时将原始数据保存在所有者的设备上。为了链接不同数据集分区之间共享的实体，我们在与数据点关联的ID上使用私有集交集。为了证明所提出的框架的有效性，我们提出了一个简单的双头分裂神经网络的MNIST分类任务的训练，数据样本垂直分布在两个数据所有者和数据科学家。
2021-04-14 cs.CR cs.DC cs.LG
UniTrans: A Unified Vertical Federated Knowledge Transfer Framework for Enhancing Cross-Hospital Collaboration
Peking University（北京大学）；Beihang University（北京航空航天大学）
提出统一纵向联邦知识迁移框架UniTrans，通过联邦表示学习与领域自适应知识迁移，提升跨医院协作中非重叠患者的医疗预测性能。
2025-01-20 cs.DC cs.LG
FedGBF: An efficient vertical federated learning framework via gradient boosting and bagging
Yale University（耶鲁大学）；Renmin University of China（中国人民大学）；JD Technology Group（京东科技集团）
联邦学习有助于解决数据隐私和安全问题，近年来受到越来越多的关注。然而，现有的联邦Boosting模型采用弱基学习器顺序构建决策树模型，导致Boosting步骤冗余，交互通信代价高。相比之下，联邦装袋模型通过并行构建多个决策树来节省时间，但它遭受性能损失。为了以更少的时间代价获得出色的性能，我们提出了一种新的模型，在垂直联邦设置称为联邦梯度提升森林（FedGBF）。FedGBF通过并行构建决策树作为Boosting的基础学习器，同时集成了Boosting和Bagging的优势。继FedGBF之后，超参数调优问题日益突出。然后，我们提出了动态FedGBF，它动态地改变每个森林的参数，从而降低了复杂性。最后，基于基准数据集的实验证明了该方法的优越性。
2022-04-03 cs.AI cs.CR cs.DC
PIVODL: Privacy-preserving vertical federated learning over distributed labels
University of Surrey（萨里大学）；Delft University of Technology（代尔夫特理工大学）
联邦学习（FL）是一种新兴的隐私保护机器学习协议，其允许多个设备协作地训练共享全局模型而不泄露它们的私有本地数据。像梯度提升决策树（GBDT）这样的非参数模型通常用于垂直分区数据的FL。然而，所有这些研究都假设所有的数据标签只存储在一个客户端上，这对于现实世界的应用程序来说可能是不现实的。因此，在这项工作中，我们提出了一个安全的垂直FL框架，名为PIVODL，训练GBDT与分布在多个设备上的数据标签。采用同态加密和差分隐私两种方法防止标签信息通过传输的梯度和叶值泄露。我们的实验结果表明，所提出的PIVODL的信息泄漏和模型性能下降是可以忽略的。
2021-08-25 cs.AI cs.CR cs.DC
Decoupled Vertical Federated Learning for Practical Training on Vertically Partitioned Data
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）；Purdue University（普渡大学）
针对标准纵向联邦学习无法容忍任意崩溃的问题，提出DVFL，通过局部无监督目标及标签监督与聚合解耦实现容错训练，并在MNIST故障场景中取得更优性能。
2024-12-01 cs.DC cs.LG
Cross-Silo Federated Learning for Multi-Tier Networks with Vertical and Horizontal Data Partitioning
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）
针对多层网络中数据同时存在垂直与水平划分的场景，提出通信高效的分层去中心化坐标下降（TDCD）算法，通过本地多步梯度与中心节点协调减少通信开销，并从理论与实验两方面验证了其收敛性与有效性。
2024-04-25 cs.DC cs.LG
Multi-Tier Federated Learning for Vertically Partitioned Data
Rensselaer Polytechnic Institute（伦斯勒理工学院）
我们考虑分层通信网络中的分散模型训练。我们的网络模型由一组筒仓组成，每个筒仓保存数据的垂直分区。每个筒仓都包含一个集线器和一组客户端，筒仓的垂直数据分片在其客户端之间水平分区。我们提出了分层分散式坐标下降（TDCD），这种双层网络的通信效率分散的训练算法。为了减少通信开销，每个思洛存储器中的客户端在与其集线器共享更新之前执行多个本地梯度步骤。每个枢纽通过平均其工作者的更新来调整其坐标，然后枢纽彼此交换中间更新。我们提出了一个理论分析，我们的算法，并显示的收敛速度上的垂直分区的数量，本地更新的数量，以及在每个枢纽的客户端的数量的依赖。我们进一步验证我们的方法经验，通过基于模拟的实验，使用各种数据集和凸和非凸目标。
2021-02-06 cs.DC cs.LG
Computation and Communication Efficient Lightweighting Vertical Federated Learning for Smart Building IoT
Peng Cheng Laboratory（鹏城实验室）
针对智能建筑物联网设备资源有限、现有水平联邦学习技术无法直接应用于垂直联邦学习的问题，提出轻量化垂直联邦学习框架，通过优化特征模型复杂度和压缩特征嵌入提升效率，并推导收敛界，实验验证其性能与资源效率。
2025-04-14 cs.DC cs.LG
Vertical Federated Learning: A Structured Literature Review
Maastricht University（马斯特里赫特大学）
本文对垂直联邦学习（VFL）进行了结构化文献综述，探讨了其最新方法、现有挑战的解决方案及未来研究方向。
2023-04-09 cs.AI cs.DC cs.LG
Coresets for Vertical Federated Learning: Regularized Linear Regression and $K$-Means Clustering
Nanjing University（南京大学）；Carnegie Mellon University（卡内基梅隆大学）；Fudan University（复旦大学）；Princeton Univeristy（普林斯顿大学）
垂直联邦学习（Vertical Federated Learning，VFL）是机器学习的一个重要研究领域，它将数据特征分布存储在多方。然而，VFL的通信复杂性通常非常高。在本文中，我们提出了一个统一的框架，通过构建coresets在一个分布式的方式通信效率的VFL。我们研究了两个重要的学习任务中的VFL设置：正则化线性回归和$k$均值聚类，并将我们的coreset框架，这两个问题。我们从理论上表明，使用coresets可以大大降低通信复杂性，而几乎保持解决方案的质量。数值实验证实了我们的理论研究结果。
2022-10-26 cs.CG cs.DC cs.DS
Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning
University of Cincinnati（辛辛那提大学）；University of Wisconsin Milwaukee（威斯康星大学密尔沃基分校）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；Northeastern University（东北大学）
针对电子健康数据同时存在水平与垂直划分的问题，本文提出含一次中间结果交换和两阶段聚合的混合联邦学习框架及 HSGD 算法，给出收敛上界与自适应调参策略，实验证明其可在保证精度时降低通信成本。
2024-04-15 cs.DC cs.LG
Vertical Federated Learning Hybrid Local Pre-training
Zhejiang Lab（之江实验室）
针对传统纵向联邦学习仅用对齐样本导致数据稀缺、未对齐数据浪费的问题，提出混合本地预训练方法VFLHLP，通过本地预训练网络优化下游联邦学习性能，在真实广告数据集上效果显著优于基线。
2024-05-21 cs.DC cs.LG
How global observation works in Federated Learning: Integrating vertical training into Horizontal Federated Learning
联邦学习（FL）最近已经成为一种变革性的范例，它可以在物联网中使用分布式数据集联合训练模型，同时避免对中央数据汇集的需求。由于观测范围有限，这类数据集只能反映局部信息，限制了训练模型的质量。在实践中，全球信息和当地的观察将需要共同考虑，以学习制定合理的政策。然而，在水平FL中，中央机构仅充当模型聚合器，而没有利用其全局观察来进一步改进模型。这可能会显着降低某些任务的性能，如网络系统中的交通流预测，其中全局信息可以提高准确性。同时，为了数据安全，全局特征可以不直接传输到代理。如何利用居住在中央机构的全球观察，同时保护其安全性，从而上升为FL中的一个重要问题。在本文中，我们开发了一个垂直-水平联邦学习（VHFL）的过程中，全球功能与代理共享的程序类似的垂直FL没有任何额外的通信轮。在考虑时延和丢包的情况下，分析了VHFL的收敛性，并通过实验验证了其性能。结果表明，与水平FL相比，所提出的VHFL可以在保护全局数据安全的同时提高精度。
2021-12-10 cs.AI cs.DC cs.LG
Low-Latency Cooperative Spectrum Sensing via Truncated Vertical Federated Learning
The Future Network of Intelligence Institute（未来网络智能研究院）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
近年来，无线数据传输需求的指数级增长增加了精确频谱感知方法以提高频谱效率的紧迫性。传统的基于单个次用户测量的频谱感知方法的不可靠性促使了协作频谱感知的研究。在这项工作中，我们提出了一个垂直的联邦学习（VFL）框架，利用分布式功能，在多个SU不损害数据隐私。然而，VFL中的重复训练过程面临着高通信延迟的问题。为了加快训练过程，我们提出了一个截断垂直联邦学习（T-VFL）算法，其中的训练延迟大大减少了标准的VFL算法与信道感知的用户调度策略。T-VFL的收敛性能通过数学分析和仿真结果证明。此外，为了保证T-VFL算法的收敛性能，我们总结了VFL框架下神经网络结构的三条设计规则，并通过仿真验证了其有效性。
2022-08-07 cs.DC cs.IT cs.LG
Secure and Privacy-Preserving Vertical Federated Learning
Visa Research（Visa研究院）
本文提出一种端到端的隐私保护框架，通过三种高效协议实现输入和输出隐私保护，支持全局和全局-局部模型更新，减少计算和通信开销。
2026-04-15 cs.AI cs.CR cs.DC
VAFL: a Method of Vertical Asynchronous Federated Learning
Rensselaer Polytechnic Institute（伦斯勒理工学院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；DAMO Academy, Alibaba US（阿里巴巴美国达摩院）
水平联邦学习（FL）处理共享同一组特征的多客户端数据，垂直FL训练一个更好的预测器，它结合了来自不同客户端的所有特征。本文的目标是以异步方式求解垂直FL，并开发了一种简单的FL方法。新方法允许每个客户端运行随机梯度算法，而无需与其他客户端协调，因此适合于客户端的间歇连接。该方法还采用了扰动局部嵌入的新技术，以确保数据的隐私性，提高通信效率。在理论上，我们分别给出了强凸、非凸甚至非光滑目标的收敛速度和隐私水平。从经验上讲，我们将我们的方法应用于各种图像和医疗数据集的FL。结果比较有利的集中式和同步FL方法。
2020-07-12 cs.DC cs.LG math.OC
Incentive Allocation in Vertical Federated Learning Based on Bankruptcy Problem
Maastricht University（马斯特里赫特大学）
本文针对纵向联邦学习中被动方激励分配问题，将其建模为破产博弈并采用Talmudic分配规则得到核仁解，在合成与真实数据集上验证了该方法相比Shapley值计算更高效且能保证公平性与稳定性。
2025-02-10 cs.DC cs.GT cs.LG
Towards Communication-efficient Vertical Federated Learning Training via Cache-enabled Local Updates
Peking University（北京大学）；Wuhan University（武汉大学）；Tencent Inc.（腾讯公司）
垂直联邦学习（VFL）是一种新兴的范例，它允许不同的参与方（例如，组织或企业）协作构建具有隐私保护的机器学习模型。在训练阶段，VFL只交换中间统计数据，即，前向激活和后向导数，跨各方计算模型梯度。然而，由于其地理分布的性质，VFL训练通常受到低WAN带宽的影响。在本文中，我们介绍了CELU-VFL，一种新的和有效的VFL训练框架，利用本地更新技术，以减少跨党的通信轮。CELU-VFL缓存陈旧的统计数据，并重用它们来估计模型梯度，而不交换ad hoc统计数据。重要的技术，提出了改善收敛性能。首先，为了处理随机方差问题，我们提出了一个统一的抽样策略，公平地选择陈旧的统计数据进行局部更新。其次，为了利用陈旧性带来的误差，我们设计了一个实例加权机制来衡量估计梯度的可靠性。理论分析证明，CELU-VFL实现了与vanilla VFL训练相似的次线性收敛速度，但需要的通信次数要少得多。在公共和真实世界工作负载上的实证结果验证了CELU-VFL可以比现有作品快六倍。
2022-07-29 cs.DC cs.LG
LESS-VFL: Communication-Efficient Feature Selection for Vertical Federated Learning
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）
针对纵向联邦学习场景下的特征选择通信成本高问题，提出LESS-VFL方法，经预训练后由服务器确定参与方模型相关输出并共享，支持无通信本地特征选择，可在低通信成本下实现高准确率与虚假特征移除。
2023-05-03 cs.DC cs.LG
VFed-SSD: Towards Practical Vertical Federated Advertising
Tsinghua University（清华大学）；Tencent（腾讯）
针对垂直联邦广告中标签样本少和跨机构服务成本高的问题，提出半监督拆分蒸馏框架VFed-SSD，利用匹配对检测和拆分知识蒸馏，在三个工业数据集上AUC中位数提升0.86%至2.6%。
2023-06-17 cs.DC cs.IR cs.LG
Vertical Federated Learning: Challenges, Methodologies and Experiments
School of Electrical and Optical Engineering, Nanjing University of Science and Technology（南京理工大学电气与光学工程学院）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61分部）；China Academy of Information and Communication Technology (CAICT)（中国信息通信研究院）；Shanghai Jiao Tong University（上海交通大学）；Nanjing University（南京大学）
本文提出VFL通用框架，系统梳理隐私安全、计算通信、模型分割与系统异构四类挑战，并给出解决方案和真实数据集实验验证。
2024-08-05 cs.DC cs.LG
A Novel Framework of Horizontal-Vertical Hybrid Federated Learning for EdgeIoT
University of Cambridge（剑桥大学）；Real-Time and Embedded Computing Systems Research Centre (CISTER)（实时与嵌入式计算系统研究中心（CISTER））；Commonwealth Scientific and Industrial Research Organization (CSIRO)（英联邦科学与工业研究组织（CSIRO））；University of New South Wales（新南威尔士大学）；Nanyang Technological University（南洋理工大学）；Koç University（科克大学）
针对 EdgeIoT 中设备样本与特征异构的问题，提出 HoVeFL 混合联邦学习框架，并通过 CIFAR-10、SVHN 评估不同横纵设备配置对测试损失的影响。
2024-10-02 cs.DC cs.LG eess.SP
Aegis: A Trusted, Automatic and Accurate Verification Framework for Vertical Federated Learning
iSING Lab, Hong Kong University of Science and Technology（香港科技大学iSING实验室）；Clustar Technology Co., Ltd.（星云科技股份有限公司）；Peng Cheng Lab（鹏城实验室）
垂直联邦学习（VFL）利用各种隐私保护算法，例如，同态加密或基于SecureBoost的秘密共享，以确保数据隐私。然而，这些算法都需要一个半诚实的安全定义，这在现实世界的应用中引起了关注。在本文中，我们提出了Aegis，一个可信的，自动的，准确的验证框架来验证VFL作业的安全性。Aegis与当地各方分开，以确保框架的安全。此外，它通过将VFL作业定义为有限状态机来统一验证不同的算法并重现整个作业以提供更准确的验证，从而自动适应不断发展的VFL算法。我们在金融和医疗数据集上使用不同的威胁模型实施和评估Aegis。评价结果表明：1）Aegis可以检测到95%的威胁模型，2）它在84%的VFL作业时间内提供细粒度的验证结果。
2021-08-23 cs.AI cs.CR cs.DC
Vertical Federated Learning: Concepts, Advances and Challenges
Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）；Webank（微众银行）；AsiaInfo Technologies（亚信科技）；Hong Kong University of Science and Technology（香港科技大学）
本文综述纵向联邦学习（VFL）的概念、算法、隐私保护协议及攻击防御，提出统一框架VFLow，并总结工业应用进展与未来挑战。
2023-09-28 cs.AI cs.CR cs.DC
AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization
Xidian University（西安电子科技大学）；JD Tech（京东科技）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；JD Finance America Corporation（京东金融美国公司）；Simon Fraser University（西蒙弗雷泽大学）；University of Pittsburgh（匹兹堡大学）
垂直联邦学习（VFL）是培训新兴跨组织（例如，不同的公司、公司和组织）具有隐私保护的协作学习。随机梯度下降（SGD）方法是训练VFL模型的流行选择，因为每次迭代计算量低。然而，现有的基于SGD的VFL算法是通信昂贵的，由于大量的通信轮。同时，现有的VFL算法大多采用同步计算，严重影响了实际应用中计算资源的利用率。为了解决通信和计算资源利用率的挑战，我们提出了一个异步随机拟牛顿（AsySQN）框架VFL，在此框架下，提出了三个算法，即AsySQN-SGD，-SVRG和-SAGA。所提出的AsySQN型算法通过近似（不显式计算逆Hessian矩阵）Hessian信息来缩放下降步骤，在实践中比基于SGD的方法收敛得更快，从而可以显着减少通信轮数。此外，采用异步计算可以更好地利用计算资源。我们从理论上证明了我们所提出的算法的收敛速度强凸问题。在真实数据集上的大量数值实验表明，与现有的VFL算法相比，该算法具有更低的通信开销和更好的计算资源利用率。
2021-09-26 cs.DC cs.LG
Secure Federated XGBoost with CUDA-accelerated Homomorphic Encryption via NVIDIA FLARE
本文提出Secure Federated XGBoost，通过同态加密保护中间梯度统计信息，并利用NVIDIA FLARE插件接口集成CPU与CUDA加速HE插件，在垂直联邦场景实现高达30倍加速，兼顾数据隐私与高性能。
2025-04-04 cs.CR cs.DC cs.ET
The Sherpa.ai Blind Vertical Federated Learning Paradigm to Minimize the Number of Communications
针对纵向联邦学习训练通信开销过大的问题，本文提出 SBVFL 范式，通过解耦多数节点更新与服务器通信，在保持准确率和鲁棒性的同时减少约 99% 通信量。
2025-10-19 cs.AI cs.DC cs.LG
Stalactite: Toolbox for Fast Prototyping of Vertical Federated Learning Systems
ITMO University（ITMO大学）；Sber AI Lab（Sber AI实验室）
本文提出开源垂直联邦学习框架Stalactite，内置同态加密层和多种VFL算法，帮助研究者快速构建分布式学习原型，并在真实推荐数据集上验证其有效性。
2024-10-03 cs.DC cs.IR cs.LG
FedV: Privacy-Preserving Federated Learning over Vertically Partitioned Data
IBM Research（IBM研究院）；University of Pittsburgh（匹兹堡大学）
联邦学习（FL）已经被提出来允许多方之间的机器学习（ML）模型的协作训练，其中每一方都可以保持其数据私有。在这个范例中，只有模型更新，如模型权重或梯度，是共享的。许多现有的方法都集中在水平FL，其中每一方具有整个特征集和标签的训练数据集。然而，许多真实场景遵循垂直分区的FL设置，其中只有当来自各方的所有数据集组合在一起时才形成完整的特征集，并且标签仅对单一方可用。隐私保护垂直FL是具有挑战性的，因为完整的标签和特征集不属于一个实体。现有的垂直FL方法需要各方之间的多个对等通信，导致冗长的训练时间，并且仅限于（近似）线性模型和两方。为了缩小这一差距，我们提出了FedV，这是一个在垂直设置中安全梯度计算的框架，用于几个广泛使用的ML模型，如线性模型，逻辑回归和支持向量机。FedV通过使用函数加密方案消除了各方之间对等通信的需要;这使得FedV能够实现更快的训练时间。它也适用于更大和不断变化的政党。我们经验性地证明了多种类型ML模型的适用性，并显示与最先进的方法相比，训练时间减少了10%-70%，数据传输减少了80%至90%。
2021-06-16 cs.AI cs.CR cs.DC
Event-Driven Online Vertical Federated Learning
Western University（西部大学）；Vector Institute（向量研究所）；Jilin University（吉林大学）
针对纵向联邦学习中客户端数据到达不同步的挑战，提出事件驱动的在线VFL框架，仅激活相关客户端并引入动态局部遗憾分析，在非平稳环境下更稳定且降低通信与计算成本。
2025-06-17 cs.DC cs.LG
TabVFL: Improving Latent Representation in Vertical Federated Learning
Delft University of Technology（代尔夫特理工大学）；National University of Singapore（新加坡国立大学）
本文提出TabVFL分布式框架，通过联合多方特征学习单一潜在表示向量，并添加全连接层保护隐私及增强对客户端故障的鲁棒性，有效改进了纵向联邦学习中的潜在表示学习。
2024-06-25 cs.DC cs.LG
ADI: Adversarial Dominating Inputs in Vertical Federated Learning Systems
Carnegie Mellon University（卡内基梅隆大学）；HKUST（香港科技大学）
本文揭示了垂直联邦学习系统中存在的对抗性支配输入（ADI）攻击，攻击者借此主导联合推断并剥夺受害者贡献与奖励，研究通过理论证明、梯度合成与灰盒模糊测试系统探索了该攻击面。
2024-11-13 cs.CR cs.DC cs.LG
Acceleration for Compressed Gradient Descent in Distributed and Federated Optimization
由于分布式和联邦学习问题中的高通信成本，依赖于通信消息压缩的方法变得越来越流行。虽然在其他情况下，性能最好的梯度型方法总是依赖于某种形式的加速/动量来减少迭代次数，但没有结合梯度压缩和加速两者的优点的方法。在本文中，我们纠正这种情况，并提出了第一加速压缩梯度下降（ACGD）方法。在单机状态下，我们证明ACGD享有率$O\Big((1+ω)\sqrt{\frac{L}μ}\log \frac{1}ε\Big)$的$μ$ -强凸问题和$O\Big((1+ω)\sqrt{\frac{L}ε}\Big)$的凸问题，分别，其中$ω$是压缩参数。我们的研究结果改善了现有的非加速率$O\Big((1+ω)\frac{L}μ\log \frac{1}ε\Big)$和$O\Big((1+ω)\frac{L}ε\Big)$，分别，并恢复加速梯度下降的最佳速率作为一种特殊情况下，没有压缩（$ω=0$）时，应用。我们进一步提出了ACGD的分布式变体（称为ADANA），并证明了收敛速度$\widetilde{O}\Big(ω+\sqrt{\frac{L}μ}+\sqrt{\big(\fracω{n}+\sqrt{\fracω{n}}\big)\frac{ωL}μ}\Big)$，其中$n$是设备/工人的数量和$\widetilde{O}$隐藏对数因子$\log \frac{1}ε$。这改进了Mishchenk…
2020-06-25 cs.DC cs.LG math.OC
A Framework for Evaluating Privacy-Utility Trade-off in Vertical Federated Learning
Webank（微众银行）；Hong Kong University of Science and Technology（香港科技大学）
本文提出隐私-效用评估框架，系统评估三种主流 VFL 算法在多种隐私攻击下的保护机制，指出 MC 攻击仍难防御并给出改进建议。
2024-08-04 cs.CR cs.DC cs.LG
Private Vertical Federated Inference for Time-Series
University of Waterloo（多伦多大学）；Borealis AI
本文提出PPHH-VFL方法，通过结合高效公共头和安全私有头，解决垂直联邦学习在隐私保护和效率之间的平衡问题，实验表明其在推断速度和通信成本上有显著提升。
2026-05-08 cs.CR cs.DC cs.LG
Vertical Federated Learning for Failure-Cause Identification in Disaggregated Microwave Networks
Department of Electronics, Information and Bioengineering, Politecnico di Milano（电子、信息与生物工程系，米兰理工大学）
本文提出利用垂直联邦学习在解构微波网络中识别故障原因，通过SplitNNs和FedTree方法对比集中式方案，实现高效故障管理并保障数据安全。
2025-02-05 cs.AI cs.DC cs.LG
Communication-efficient Vertical Federated Learning via Compressed Error Feedback
Carnegie Mellon University（卡内基梅隆大学）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（里斯本高等理工学院）；NOVA School of Science and Technology（NOVA科学技术学院）
提出EF-VFL方法，通过误差反馈压缩纵向联邦学习中的通信，实现非凸问题下O(1/T)收敛速率，优于现有方法，并支持私有标签。
2025-02-22 cs.DC cs.DS cs.LG
Vertical Federated Learning with Missing Features During Training and Inference
Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）；Institute for Systems and Robotics, Instituto Superior Técnico（系统与机器人研究所，技术高等学院）；IBM T. J. Watson Research Center（IBM沃森研究中心）；CMU（卡内基梅隆大学）；IBM Research（IBM研究）
针对垂直联邦学习中训练和推理阶段特征缺失问题，提出LASER-VFL方法，通过共享模型参数和任务采样训练预测器族，实现高效处理任意分区缺失，并在非凸目标下保证收敛，实验显示显著提升准确率。
2025-04-22 cs.DC cs.DS cs.LG
Secure and Fast Asynchronous Vertical Federated Learning via Cascaded Hybrid Optimization
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Western University（韦仕敦大学）；Xidian University（西安电子科技大学）
针对零阶优化纵向联邦学习收敛慢的问题，提出级联混合优化方法，客户端用零阶优化保护隐私，服务器用一阶优化加速收敛，理论证明其收敛不受服务器模型大小限制，实验表明该方法收敛更快且保持同等隐私保护。
2023-06-29 cs.AI cs.DC cs.LG
Share Secrets for Privacy: Confidential Forecasting with Vertical Federated Learning
Delft University of Technology（代尔夫特理工大学）；ASML（ASML公司）；Université de Neuchâtel（内阿捷尔大学）
本文提出STV框架，结合秘密共享、多方计算与SARIMAX等模型，实现纵向联邦学习下的保密时间序列预测，精度较集中式SOTA提升23.81%。
2025-06-11 cs.CR cs.DC cs.LG
Communication-Efficient and Differentially Private Vertical Federated Learning with Zeroth-Order Optimization
Elmore Family School of Electrical and Computer Engineering, Purdue University（电气与计算机工程学院，普渡大学）；Department of Computer Science and Engineering, Yonsei University（计算机科学与工程系，延世大学）
本文提出DPZV框架，通过零阶优化实现通信高效且具有差分隐私的垂直联邦学习，有效降低通信开销并提升隐私保护。
2025-12-26 cs.AI cs.CR cs.DC
Optimizing Server Placement for Vertical Federated Learning in Dynamic Edge/Fog Networks
Department of Electrical and Computer Engineering, Purdue University（普洛威斯顿大学电子工程与计算机科学系）
本文研究动态边缘/雾网络中垂直联邦学习的控制与优化，提出SC-DN方法，通过联合优化服务器部署、传输功率、处理器频率和本地训练迭代数，提升模型性能与资源利用率。
2026-05-10 cs.DC cs.LG cs.NI
