분리된 VFL(DVFL)은 수직 연합 학습의 새로운 전략으로, 분산된 기계 학습 패러다임에서 안전하고 효율적인 훈련을 제공합니다.
수직 연합 학습에서 서버와 클라이언트 간 통신 비용을 줄이고 성능을 향상시키기 위해 다중 헤드 프레임워크와 ADMM 기반 최적화 방법을 제안한다.
VFLAIR는 다양한 모델, 데이터셋 및 프로토콜을 지원하는 확장 가능하고 가벼운 VFL 프레임워크로, 공격 및 방어 전략에 대한 표준화된 평가 모듈을 제공합니다.
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 학습 (VFL) 에서 라벨 정보 유출 없이 효과적으로 특정 라벨을 제거하는 Few-Shot 라벨 제거 기법을 제안한다.
본 논문에서는 최소한의 커뮤니케이션만으로 개인정보를 보호하면서 협업 학습을 가능하게 하는 효율적인 수직 연합 학습(VFL) 접근 방식을 제안합니다.