本研究提出了OPUS-VFL机制，旨在解决垂直联邦学习中的激励不足、隐私与效用权衡及客户端资源异质性问题。该机制根据模型贡献、隐私保护和资源投资进行奖励，实验结果表明其在效率和鲁棒性方面优于现有基线，具有创新性和实用性。

本文探讨了树状模型在垂直联邦学习中的应用，分析了通信与计算协议，填补了研究空白。研究了特征聚合、标签传播模型的特性及隐私保护机制，实验结果为学术界和工业界提供了设计原则与建议。

本研究提出了一种新框架，解决垂直联邦学习中的去学习机制问题，符合“被遗忘权”要求，支持异步去学习，增强隐私保护，适用于医疗和金融等敏感领域。

本研究分析了垂直联邦学习（VFL）在实际应用中的局限性，指出现有研究与真实应用之间的差距，提出新的算法分类法，并强调常见场景缺乏解决方案，指明未来研究方向。

本研究提出了一种垂直联邦学习（VFL）方法，用于多运营商合作识别微波网络故障。结果表明，VFL方法的F1分数与集中式方案相差不超过1%，且有效保护敏感数据，验证了其在新型网络管理中的可行性。

本研究探讨了垂直联邦学习中的遗忘问题，提出了VFU-KD和VFU-GA方法，通过知识蒸馏和梯度上升实现遗忘，实验结果表明其优于重新训练，具有实用价值。

本研究提出了VFLIP防御方法，用于垂直联邦学习中的后门攻击。通过异常检测和净化技术，VFLIP能有效抵御后门攻击，并减轻对VFL的影响。

我们提出了基于区块链的垂直联邦学习差分隐私（DP-BBVFL）算法，为去中心化应用提供可验证性和隐私保证。DP-BBVFL 使用智能合约透明地聚合从客户端获取的特征表示，即嵌入。实验表明，DP-BBVFL 在训练时间上具有高准确性和一定的权衡，这种差分隐私和区块链技术的创新融合可能预示着在多个去中心化应用领域中建立协作和可信的机器学习应用的新时代。

提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN，以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

垂直联邦学习（VFL）是一种新兴的分布式机器学习范式，DVFL是一种分块学习方法，具有容错性和安全性优势，模型性能与VFL相当。

这篇综述讨论了垂直联邦学习中的隐私攻击和防御方法，提供了分类方法，并探讨了未来的研究方向和挑战。为研究人员提供了资源，为从业者在机器学习模型的生命周期中保护数据隐私提供指导和见解。

本文介绍了端到端毒化框架P-GAN和基于深度自编码器的异常检测算法，用于解决垂直联邦学习中的毒化攻击问题，并评估了它们的效能和影响因素。