基于秘密共享与分布式优化的高效联邦 XGBoost 学习框架
机器学习
2025-03-11 v1 人工智能
密码学与安全
摘要
XGBoost 因其卓越的学习精度与效率而成为工业界应用最广泛的机器学习模型之一。针对大数据问题中的数据孤岛问题，部署安全高效的联邦 XGBoost（FedXGB）模型至关重要。现有 FedXGB 模型要么存在数据泄露问题，要么仅适用于两方设置且通信与计算开销沉重。本文提出了一种具有安全保证的无损多方联邦 XGB 学习框架，其在秘密共享设置下重塑了 XGBoost 的分裂准则计算过程，并通过分布式优化解决了叶权值计算问题。值得注意的是，我们还提供了对模型安全性的详尽分析，并且多个数值结果展示了所提 FedXGB 在基准数据集上相较最先进模型的优越性。
引用
@article{arxiv.2105.05717,
title = {An Efficient Learning Framework For Federated XGBoost Using Secret Sharing And Distributed Optimization},
author = {Lunchen Xie and Jiaqi Liu and Songtao Lu and Tsung-hui Chang and Qingjiang Shi},
journal= {arXiv preprint arXiv:2105.05717},
year = {2025}
}
备注
24 pages, Special issue of ACM Transactions on Intelligent Systems and Technology