Vertical Federated Learning: A Structured Literature Review

要約

タイトル：Vertical Federated Learning：構造化された文献レビュー
要約：
– Federated Learning（FL）は、データプライバシーの利点を加えた有望な分散学習パラダイムとして登場しました。
– データ所有者の協力に興味が高まるにつれ、FLは組織の注目を集めています。
– FLのアイデアは、「データをモデルに持ってくる」ことで、分散されたデータ上で機械学習（ML）モデルをトレーニングする協力参加者を可能にすることです。
– 垂直方向に分割されたデータに適用されると、分散複数のローカルサイトで独自の機能を持つデータを用いたローカルモデルのみを用いて完全なMLモデルを構築することができます。このFLの構造は、従来の水平分割されたデータのFLとは異なり、垂直フェデレーテッド学習（VFL）と呼ばれます。
– VFLは、従来のFLとは異なるため、独自の問題や懸念があります。
– この論文では、VFLの最先端アプローチについて構造化された文献レビューを行いました。さらに、VFLの課題に対する既存の解決策を強調し、この領域の潜在的な研究方向を提供します。

要約(オリジナル)

Federated Learning (FL) has emerged as a promising distributed learning paradigm with an added advantage of data privacy. With the growing interest in having collaboration among data owners, FL has gained significant attention of organizations. The idea of FL is to enable collaborating participants train machine learning (ML) models on decentralized data without breaching privacy. In simpler words, federated learning is the approach of “bringing the model to the data, instead of bringing the data to the mode”. Federated learning, when applied to data which is partitioned vertically across participants, is able to build a complete ML model by combining local models trained only using the data with distinct features at the local sites. This architecture of FL is referred to as vertical federated learning (VFL), which differs from the conventional FL on horizontally partitioned data. As VFL is different from conventional FL, it comes with its own issues and challenges. In this paper, we present a structured literature review discussing the state-of-the-art approaches in VFL. Additionally, the literature review highlights the existing solutions to challenges in VFL and provides potential research directions in this domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI