一种高效且鲁棒的垂直联邦随机森林系统
机器学习
2022-01-27 v1 密码学与安全
分布式、并行与集群计算
摘要
随着利用多源数据构建更优机器学习模型的需求日益增长，许多垂直联邦学习算法被提出以保护参与机构的数据隐私。然而，现有垂直联邦学习算法的效率仍是一大问题，尤其在应用于大规模真实世界数据集时。本文提出一种快速、准确、可扩展且鲁棒的垂直联邦随机森林系统。通过广泛优化，我们在训练与推理任务上相较 SOTA 的 SecureBoost 模型 \cite{cheng2019secureboost} 分别实现了 与 的加速。此外，所提系统可达到相近精度，同时具备良好的可扩展性与分区容错性。我们的代码已公开，以促进社区发展与用户数据隐私保护。
引用
@article{arxiv.2201.10761,
title = {An Efficient and Robust System for Vertically Federated Random Forest},
author = {Houpu Yao and Jiazhou Wang and Peng Dai and Liefeng Bo and Yanqing Chen},
journal= {arXiv preprint arXiv:2201.10761},
year = {2022}
}