面向移动群智感知的云端联邦提升方法
密码学与安全
2020-05-13 v1 机器学习
机器学习
摘要
将联邦极限梯度提升应用于移动群智感知应用带来了诸多益处，特别是在效率和分类方面的高性能。然而，它也给数据和模型隐私保护带来了新的挑战。除了容易受到基于生成对抗网络(GAN)的用户数据重构攻击之外，目前尚无考虑如何保护模型隐私的架构。在本文中，我们提出了一种基于秘密共享的联邦学习架构 FedXGB，以实现面向移动群智感知的隐私保护极限梯度提升。具体而言，我们首先使用秘密共享构建 XGBoost 的安全分类与回归树(CART)。然后，我们提出了一种安全预测协议，以保护移动群智感知中 XGBoost 的模型隐私。我们进行了全面的理论分析和广泛的实验，以评估 FedXGB 的安全性、有效性和效率。结果表明，FedXGB 能够抵御诚实但好奇的敌手，并且与原始 XGBoost 模型相比，准确率损失不到 1%。
引用
@article{arxiv.2005.05304,
title = {Cloud-based Federated Boosting for Mobile Crowdsensing},
author = {Zhuzhu Wang and Yilong Yang and Yang Liu and Ximeng Liu and Brij B. Gupta and Jianfeng Ma},
journal= {arXiv preprint arXiv:2005.05304},
year = {2020}
}
备注
17 pages, 7 figures. arXiv admin note: substantial text overlap with arXiv:1907.10218