[基准] 添加实体增强 VFL 基准 (arXiv:2406.17899)

方法概述

传统的 VFL 需要实体解析、私有集合交集和实体对齐，因此客户端只能在其实体集的交集上进行训练，并必须丢弃其余数据。实体增强消除了对齐步骤：客户端将持有的任何实体以任何顺序传递给主机，主机通过插值贡献实体的标签，并根据每个客户端的激活维度对其权重，从而为每个连接的激活生成一个标签。这在激活空间中是一种切分混合形式，因此也起到了正则化作用。在 CIFAR-10 上，实体重叠仅为 5%，通过实体增强将不匹配的数据添加到训练集中，可将测试准确率从 48.1% 提高到 69.48%。

可重现的实验

主要范围 — CIFAR-10，ResNet-18，2 个客户端，60 个 epoch，Adam（β1=0.9，β2=0.999），lr=0.001，每个客户端拥有 CNN 分支以及第一个全连接层的一半，主机拥有其余的全连接层：

1. 有限重叠（表 4） 数据集分为 x% 实体对齐数据，其余（100-x%）随机排列，并均匀地分配给两个客户端作为严格的非重叠样本。只使用对齐子集进行训练，而不是使用对齐 + 实体增强生成的不匹配数据：

设置	仅对齐	对齐 + 不匹配
CIFAR-10，x = 5%	48.1%	69.48%
CIFAR-10，x = 10%	54.34%	70.4%

1. 完全对齐 vs 完全不匹配（表 2） 使用完全实体对齐数据进行训练，而不是使用实体增强生成的完全不匹配数据 — CIFAR-10 / ResNet-18：72.92% vs 74.34%。

2. 训练曲线（图 2） 根据上述设置，每个 epoch 的测试准确率，显示了实体增强产生的更快收敛和更平滑/更稳定的训练过程。