非对称纵向联邦学习
密码学与安全
2020-06-12 v3 机器学习
摘要
联邦学习是一种旨在保护样本特征与标签隐私的分布式机器学习方法。在联邦学习系统中，通常采用基于 ID 的样本对齐方法，而在保护 ID 隐私方面鲜有努力。然而，在实际应用中，作为最强行标识符的样本 ID 的机密性也引起了众多参与方的广泛关注。为缓解其对 ID 隐私的担忧，本文正式提出非对称纵向联邦学习的概念，并阐述了保护样本 ID 的方法。本文调整了标准的私有集合交集协议，以实现非对称纵向联邦学习系统中的非对称 ID 对齐阶段。相应地，给出了该调整协议的 Pohlig-Hellman 实现。本文还提出了一种真实加伪样本的方法来实现非对称联邦模型训练。为说明其应用，给出了一个联邦逻辑回归算法作为示例。实验也验证了该方法的可行性。
引用
@article{arxiv.2004.07427,
title = {Asymmetrical Vertical Federated Learning},
author = {Yang Liu and Xiong Zhang and Libin Wang},
journal= {arXiv preprint arXiv:2004.07427},
year = {2020}
}