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
内容提要
该文综述多项联邦学习研究：提出用安全模块实现高效垂直联邦学习，较同态加密大幅加速；FedGRU用于隐私保护的交通流量预测；Pivot实现无第三方保护的垂直决策树；vFedSec提升垂直联邦学习安全与效率；PV4FAD结合多种隐私技术平衡隐私与精度；GOF-TTE预测路程时间；联邦学习用于出租车需求预测并抵御推断攻击；探讨物联网中隐私与精度权衡；提出联邦表示学习框架；以及兼容垂直和水平场景的联合多视图学习框架。
延伸解读
垂直联邦学习效率与安全的权衡
文章指出，采用安全模块的垂直联邦学习方法相比同态加密（HE）可实现9.1e2至3.8e4倍的加速，且不影响训练性能。vFedSec同样强调安全聚合中的最新安全模块，在保护隐私数据的同时速度远快于同类方法。这表明垂直联邦学习的落地瓶颈之一在于加密开销，而专用安全模块是兼顾效率与隐私的可行路径。
隐私增强技术的组合策略
PV4FAD将全同态加密、安全多方计算、差分隐私和随机化技术结合，在训练期间平衡隐私与准确性，并防御模型部署时的推理攻击。这提示单一隐私技术往往难以同时满足训练与部署阶段的需求，组合多种技术可覆盖不同攻击面，但也会增加系统复杂度，需根据场景权衡。
交通预测中的联邦学习实践
FedGRU用于隐私保护的交通流量预测，GOF-TTE则利用生成式联邦学习建立实时道路交通状态模型并训练个性化路程时间预测。出租车需求预测案例在16个服务提供商真实数据上，相比单一集成数据训练的模型实际误差达1%，并有效抵御成员推断攻击。这些工作说明联邦学习在交通领域已从概念验证走向多场景实测。
多视图与表示学习的扩展边界
联合多视图学习框架兼容垂直和水平两种联邦场景，实验显示V-FedMV和H-FedMV显著优于单视图和成对方法，且是首个考虑垂直与水平多样化及顺序联合学习的研究。联邦表示学习则证明自监督对比本地训练的鲁棒性，并通过相似度蒸馏训练全局模型，在更严格限制下仍取得可比结果，拓展了联邦学习在通信与隐私约束下的可行性。
Q&A
垂直联邦学习如何在不依赖同态加密的情况下实现高效的安全训练？
文章提出使用最先进的安全模块进行安全和高效的垂直联邦学习，与同态加密（HE）相比，该方法提供了9.1e2〜3.8e4的加速，同时不影响训练性能。
FedGRU算法在交通流量预测中有什么作用？
FedGRU是一种采用联邦学习机制的新算法，通过机器学习实现交通流量预测，在保护隐私的同时提高了预测准确性。
Pivot方案如何解决垂直联邦学习中的隐私保护问题？
Pivot是一种隐私保护垂直决策树训练和预测的解决方案，不依赖于任何受信任的第三方，并提供了针对半诚实对手的保护，适用于协作机构拥有具有不同特征的同一组用户数据且只有一个组织持有标签等场景。
PV4FAD如何平衡隐私和准确性？
PV4FAD结合了全同态加密（HE）、安全多方计算（SMPC）、差分隐私（DP）和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。
联邦学习在出租车需求预测中面临哪些挑战，如何解决？
挑战包括类别不平衡、数据稀缺等技术上的挑战。通过地理编码、代价敏感学习和正则化等技术来提高预测精度。在16个租车服务提供商的真实世界数据集上，系统相对于单个集成数据训练的模型可以精确预测出租车需求级别实际误差达到1％，同时有效抵御了针对乘客数据的成员推断攻击。
联邦表示学习在通信成本和隐私保护限制下是否可行？
文章探讨了在通信成本和隐私保护的限制下联邦表示学习的可行性。首先证明了自监督对比本地训练的鲁棒性，然后基于此提出了一种新的Federated representation Learning框架，使用相似度蒸馏对全局模型进行训练。实验验证表明，在多种数据集上，尽管受到更严格的限制，它仍能够以可比较的结果实现多种设置下的性能。
