A Survey on Contribution Evaluation in Vertical Federated Learning

垂直联邦学习（Vertical Federated Learning，VFL）已经成为机器学习中应对集中式数据存储和处理所带来的隐私问题的一种关键方法。VFL促进了不同特征集的多个实体在同一用户群体上的合作，实现了预测模型的联合训练，而无需直接共享数据。VFL的一个关键方面是公平准确地评估每个实体对学习过程的贡献。这对于维护参与实体之间的信任、确保资源分享的公平性以及促进可持续的合作框架至关重要。本文对VFL中的贡献评估进行了全面的综述。我们将各种贡献评估技术按照VFL生命周期、评估的粒度、隐私考虑和核心计算方法进行了分类。我们还探讨了涉及贡献评估的各种VFL任务，并分析了它们所需的评估属性以及与VFL生命周期阶段的关系。最后，我们提出了关于未来VFL贡献评估挑战的展望。通过对当前现状和潜在进展的结构化分析，本文旨在指导研究人员和实践者设计和实施更加有效、高效和注重隐私保护的VFL解决方案。相关文献和开源资源已经编制并不断更新于GitHub存储库：\url{https://github.com/cuiyuebing/VFL_CE}。

本论文旨在提供一个全面的评估方案，以确保在垂直联邦学习中各个参与实体的贡献公正准确地被评估。这是为了维护参与实体之间的信任，确保资源分享公平，并促进可持续的合作框架。

本文提出了一种分类方法，将各种贡献评估技术按照VFL生命周期、评估粒度、隐私考虑和核心计算方法进行分类。同时，对VFL中涉及贡献评估的各种任务进行了分析，并探讨了它们所需的评估属性和与VFL生命周期阶段的关系。

本文提供了一个结构化的分析，指导研究人员和从业者设计和实施更有效、更高效、更注重隐私的VFL解决方案。同时，提供了相关文献和开源资源的GitHub仓库链接。

近期在这个领域中，还有一些相关的研究，如《Federated Learning with Non-IID Data: An Empirical Study》、《Federated Learning for Healthcare Informatics》等。