纵向联邦学习中的差分隐私AUC计算
机器学习
2022-05-26 v1 密码学与安全
摘要
联邦学习近期作为一种隐私增强工具获得了极大关注，使多方能够联合训练机器学习模型。作为其子类，纵向联邦学习（vFL）关注特征与标签被分割至不同方的场景。先前关于vFL的工作主要研究如何在模型训练期间保护标签隐私。然而，vFL中的模型评估也可能导致私有标签信息的潜在泄露。一种缓解策略是应用标签差分隐私（DP），但这会对真实（非私有）指标给出糟糕的估计。本文中，我们提出两种评估算法，在使用标签DP的vFL中能够更准确地计算广泛使用的AUC（曲线下面积）指标。通过大量实验，我们表明相较基线，我们的算法可获得更精确的AUC。
引用
@article{arxiv.2205.12412,
title = {Differentially Private AUC Computation in Vertical Federated Learning},
author = {Jiankai Sun and Xin Yang and Yuanshun Yao and Junyuan Xie and Di Wu and Chong Wang},
journal= {arXiv preprint arXiv:2205.12412},
year = {2022}
}