수직 분할 데이터에 대한 실용적인 훈련을 위한 분리된 수직 연합 학습
분리된 VFL(DVFL)은 수직 연합 학습의 새로운 전략으로, 분산된 기계 학습 패러다임에서 안전하고 효율적인 훈련을 제공합니다.
효율적인 통신을 통한 프라이버시 보호 수직 연합 학습 개선
수직 연합 학습에서 서버와 클라이언트 간 통신 비용을 줄이고 성능을 향상시키기 위해 다중 헤드 프레임워크와 ADMM 기반 최적화 방법을 제안한다.
수직 연합 학습을 위한 연구 라이브러리 및 벤치마크: VFLAIR
VFLAIR는 다양한 모델, 데이터셋 및 프로토콜을 지원하는 확장 가능하고 가벼운 VFL 프레임워크로, 공격 및 방어 전략에 대한 표준화된 평가 모듈을 제공합니다.
수직 분할된 다중 뷰 데이터에 대한 능동-수동 연합 학습
능동 클라이언트가 완전한 모델을 구축하고 수동 클라이언트가 보조 역할을 하는 유연한 능동-수동 연합 학습 프레임워크를 제안한다. 이를 통해 예측적이지 않은 협업 문제를 해결할 수 있다.
수직 연합 학습에서의 Few-Shot 라벨 제거 기법
수직 연합 학습 (VFL) 에서 라벨 정보 유출 없이 효과적으로 특정 라벨을 제거하는 Few-Shot 라벨 제거 기법을 제안한다.
능동 참여자 중심 수직 연합 학습: 일부 표현만으로 충분할 수 있음
본 논문에서는 최소한의 커뮤니케이션만으로 개인정보를 보호하면서 협업 학습을 가능하게 하는 효율적인 수직 연합 학습(VFL) 접근 방식을 제안합니다.
실제 퍼지 연결 데이터에서의 다자간 수직 연합 학습: 연합 트랜스포머
본 논문에서는 여러 당사자가 원시 데이터를 공유하지 않고도 퍼지 식별자를 사용하여 연결된 데이터 세트에서 협업적으로 모델을 학습할 수 있는 새로운 프레임워크인 FeT(Federated Transformer)를 제안합니다. FeT는 성능 향상을 위해 세 가지 새로운 기술을 통합한 트랜스포머 아키텍처를 사용하여 퍼지 식별자를 데이터 표현으로 인코딩합니다. 또한 차등 개인 정보 보호와 보안 다자간 계산을 통합하여 로컬 표현을 효과적으로 보호하는 동시에 관련 유틸리티 비용을 최소화하는 VFL용 다자간 개인 정보 보호 프레임워크를 개발했습니다.