Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey

垂直联邦学习（Vertical Federated Learning，VFL）是一种隐私保护的分布式学习范式，不泄露私人数据，不同方参与协作学习使用共享样本的分区特征来训练模型。最近的研究表明，在解决VFL中的各种挑战方面取得了有希望的结果，突显了其在跨领域协作中的实际应用潜力。然而，对应的研究分散无序，缺乏组织。为了推进VFL研究，本综述提供了最近发展的系统概述。首先，我们提供了历史和背景介绍，以及VFL的一般训练协议的概述。然后，我们重新审视了最近评论中的分类法并深入分析了其局限性。为了进行全面而有结构的讨论，我们从三个基本角度综合了最近的研究：有效性、安全性和适用性。最后，我们讨论了VFL中的几个关键未来研究方向，这将促进该领域的发展。我们提供了一些研究列表，并定期在https://github.com/shentt67/VFL_Survey上进行更新。

本文旨在系统概述垂直联邦学习（VFL）的最新发展，解决VFL领域研究分散、缺乏组织的问题。同时，讨论未来VFL研究的关键方向。

VFL是一种隐私保护的分布式学习范式，通过共享样本的分区特征，不泄露私有数据的情况下，不同方共同学习模型。本文从效果、安全性和适用性三个角度综合最新研究，提出了一些解决VFL中存在的限制的方案。

本文从历史、背景、训练协议、分类法等方面介绍了VFL。通过综合分析最新研究，提出了解决VFL限制的方案。实验设计合理，使用了多个数据集，并提供了开源代码。未来研究方向包括更好的性能、更好的安全性和更广泛的应用。

相关研究包括《Federated Learning: Strategies for Improving Communication Efficiency》、《Secure Federated Transfer Learning》等。