PackVFL：垂直联邦学习的高效加密压缩
内容提要
该研究探讨了垂直联邦学习（VFL）的新方法，强调隐私保护和通信效率。提出的vFedSec和MMVFL框架实现了安全高效的学习，支持标签信息共享。VFedMH方法解决了异构模型的训练问题，理论分析和实验表明其性能优越。此外，研究还分类了VFL的挑战和安全保障问题。
延伸解读
垂直联邦学习的安全与效率平衡
文章指出，垂直联邦学习在隐私保护下需兼顾通信效率。vFedSec通过创新安全层，相比同态加密实现9.1e2至3.8e4倍加速，且不影响训练性能。这表明安全模块的优化能显著提升实用效率，为实际部署提供可能。
异构模型训练的挑战与突破
现有VFL方法难以处理参与者间的异构本地模型，影响收敛和泛化。VFedMH通过聚合知识嵌入而非中间结果，并让主动方协助被动方计算梯度，实现了多个异构模型的同步训练，实验证明其性能优于近期方法。
标签信息共享的多方多类别方案
MMVFL框架采用多视角学习，在保护隐私的前提下将标签信息从所有者分享给其他参与者，支持多方多类别分类。实验表明，它能有效共享标签信息并达到现有方法的分类性能，为VFL中标签稀缺问题提供了解决思路。
安全威胁与防御研究进展
文章综述了VFL的安全保障问题，包括差分隐私框架HDP-VFL、干净标签后门攻击及防御策略。研究还提出了MOSP树分类法，从硬件到系统层分析保护对象、安全模型等维度，指出模型安全性需进一步探讨。
Q&A
什么是垂直联邦学习（VFL）？
垂直联邦学习是一种新型的训练范例，旨在集成样本对齐和特征汇聚，适用于多个参与者之间的数据隐私保护。
vFedSec框架的主要特点是什么？
vFedSec框架包含创新的安全层，能够安全高效地进行垂直联邦学习，有效保护隐私数据，并且速度比同类方法快。
MMVFL框架如何支持多方参与的学习？
MMVFL框架采用多视角学习的思想，在保护隐私的前提下，能够有效地共享标签信息，支持多类别的垂直联邦学习。
VFedMH方法解决了哪些问题？
VFedMH方法解决了异构模型的训练问题，能够同时训练多个异构模型，并在性能上优于一些现有方法。
垂直联邦学习面临哪些挑战？
垂直联邦学习面临的挑战包括参与者之间的异构本地模型、隐私保护协议的有效性以及安全保障问题。
该研究对模型安全性进行了哪些探讨？
研究提出了对现有垂直联邦学习框架中使用密码学技术提供数据隐私和安全保障的方式进行进一步研究的探讨。
