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，不泄露私有数据，不同方参与者共同使用共享样本的分区特征学习模型。最近的研究表明，VFL在解决各种挑战方面取得了有希望的结果，并突出了其在跨领域合作中的实际应用潜力。然而，相关研究零散且缺乏组织。为了推进VFL的研究，本文提供了对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。为了进行全面和结构化的讨论，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中几个关键的未来研究方向，这将促进该领域的发展。我们提供了一个研究列表的收集，并定期在https://github.com/shentt67/VFL_Survey上更新。

本论文旨在系统概述最近Vertical Federated Learning (VFL)研究的发展情况，分析其有效性、安全性和适用性，并提出未来的研究方向。

本论文提出了一种隐私保护的分布式学习范式-VFL，可以在不泄露私有数据的情况下，不同方共同学习模型。同时，本文对VFL的训练协议、分类方法、限制因素等进行了系统的总结和分析。

本论文从有效性、安全性和适用性三个基本角度综合分析了VFL的最新研究进展。同时，提供了一个研究列表，并定期更新。本文的实验设计详细，使用了多个数据集，同时提供了开源代码。未来的研究方向包括提高VFL的效率和准确性，改善安全性和隐私保护机制，以及在更广泛的领域应用VFL。

在最近的研究中，还有一些相关的研究，例如：'Privacy-Preserving Machine Learning: Threats and Solutions'、'Federated Learning: Strategies for Improving Communication Efficiency'、'Privacy-Preserving Deep Learning'等。