Sherpa.ai Propone un Metodo di Allineamento di Entità che Preserva la Privacy per il Federated Learning Verticale

I ricercatori di Sherpa.ai hanno introdotto un nuovo approccio per l'allineamento di entità che preserva la privacy (PPEA) nel Federated Learning Verticale (VFL), affrontando le limitazioni dei metodi esistenti. La tecnica consente a più parti di addestrare collaborativamente modelli di machine learning utilizzando caratteristiche complementari degli stessi campioni senza centralizzare i dati grezzi. A differenza dei metodi convenzionali di intersezione privata di insiemi (PSI) che rivelano l'appartenenza all'intersezione ed espongono relazioni sensibili tra dataset, questo approccio si allinea sull'unione degli identificatori anziché sull'intersezione. Il metodo affronta specificamente le sfide poste dagli identificatori rumorosi supportando l'abbinamento tollerante agli errori di battitura, superando le restrizioni degli approcci precedenti spesso limitati a due parti. Questo progresso nell'infrastruttura di federated learning consente alle organizzazioni di mantenere la privacy dei dati beneficiando dello sviluppo collaborativo di modelli di IA. La ricerca è stata pubblicata su arXiv con l'identificatore arXiv:2604.19219v1, classificata come annuncio incrociato. Il Federated Learning Verticale differisce dal Federated Learning Orizzontale (HFL) in quanto i partecipanti VFL possiedono spazi di caratteristiche diversi per campioni identici, mentre l'HFL coinvolge spazi di caratteristiche condivisi su campioni diversi. Il metodo proposto rappresenta un progresso significativo nel calcolo sicuro multiparte per le applicazioni di intelligenza artificiale.