DP-XGBoost：大规模隐私保护机器学习
机器学习
2021-10-26 v1 人工智能
密码学与安全
摘要
十年前宣布的大数据革命似乎并未以预期规模完全发生。其主要障碍之一是缺乏数据流通。人们和组织未如预期那样共享数据的众多原因中，之一是数据共享操作带来的隐私风险。已有许多关于利用差分隐私（DP）计算统计查询的实用系统的工作。也有利用DP训练神经网络的实用系统实现，但相对而言，致力于设计提供DP保证的可扩展经典机器学习（ML）模型的工作很少。本工作中我们描述并实现了经过实战检验的ML模型XGBoost的一个DP分支。我们的方法在该任务上以较大优势超越了先前尝试，体现在给定隐私预算下达到的精度上。它也是唯一能够扩展到大数据并可在Kubernetes、Dask或Apache Spark等分布式环境中运行的提升树DP实现。
引用
@article{arxiv.2110.12770,
title = {DP-XGBoost: Private Machine Learning at Scale},
author = {Nicolas Grislain and Joan Gonzalvez},
journal= {arXiv preprint arXiv:2110.12770},
year = {2021}
}