基于拟牛顿法的纵向联邦学习逻辑回归框架
机器学习
2019-12-05 v2 机器学习
摘要
数据隐私与安全已成为从不同数据提供方构建机器学习模型时的主要关切。联邦学习通过将数据保留在提供方本地并交换加密信息而展现出前景。本文研究逻辑回归的纵向联邦学习结构，其中两方的数据集具有相同的样本 ID 但拥有不相交的特征子集。现有框架采用一阶随机梯度下降算法，需要大量通信轮次。为应对通信挑战，我们提出了一种在加性同态加密方案下基于拟牛顿法的纵向联邦学习逻辑回归框架。我们的方法能以每轮少许额外通信代价显著减少通信轮次。数值结果展示了我们的方法相对于一阶方法的优势。
引用
@article{arxiv.1912.00513,
title = {A Quasi-Newton Method Based Vertical Federated Learning Framework for Logistic Regression},
author = {Kai Yang and Tao Fan and Tianjian Chen and Yuanming Shi and Qiang Yang},
journal= {arXiv preprint arXiv:1912.00513},
year = {2019}
}