本文综述了垂直联邦学习（VFL）的概念、算法及面临的挑战，提出了新方法VFedMH以解决异构模型训练问题，并分析了其收敛性能。同时介绍了Flex-VFL和MMVFL等新算法，探讨了隐私保护和安全性问题，展示了VFL在多方参与下的有效性和应用前景。

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。

多模态联邦学习研究提出多种方法：FedMFS利用Shapley值量化模态贡献，平衡性能与通信；CMSFed解决模态失衡；FedMultimodal提供鲁棒性评估基准；CreamFL支持异构模型与数据模态；MFCPL应对严重缺失模态；FedCMI缓解模态失衡与知识异质；FedMEKT结合半监督与知识迁移，降低通信成本。

该文综述多模态联邦学习进展：FedMFS利用Shapley值量化模态贡献，平衡性能与通信；SocFedCS与FairFedCS基于Lyapunov优化选择客户端，兼顾成本与公平；CreamFL支持异构模型与模态；FedMultimodal提供多模态基准；另有元学习框架应对模态缺失，并综述客户端选择方法。