面向纵向联邦 XGBoost 的高效批量同态加密方法
密码学与安全
2021-12-09 v1 人工智能
机器学习
摘要
越来越多的组织和机构致力于利用外部数据来提升 AI 服务的性能。为解决数据隐私与安全问题，联邦学习在学术界和工业界引起了越来越多的关注，旨在跨多个孤立的数据提供方安全地构建 AI 模型。本文研究了在实际应用中广泛使用的 XGBoost 模型适配到纵向联邦学习场景时的效率问题。最先进的纵向联邦 XGBoost 框架需要大量的加密操作和密文传输，这使得模型训练的效率远低于在本地训练 XGBoost 模型。为弥合这一差距，我们提出了一种新颖的批量同态加密方法，将加密相关的计算和传输开销削减近半。该方法通过将一阶导数和二阶导数编码为单个数值，用于加密、密文传输和同态加法操作来实现。多个一阶导数和二阶导数之和可以从编码值之和中同时解码。我们受 BatchCrypt 工作中针对横向联邦学习的批量思想启发，设计了一种新颖的批量方法，以解决允许负数数量极少的限制。所提批量方法的编码过程包括四个步骤：移位、截断、量化和批量打包，而解码过程则包括反量化和反向移位。理论分析和大量数值实验证明了我们方法的优势。
引用
@article{arxiv.2112.04261,
title = {Efficient Batch Homomorphic Encryption for Vertically Federated XGBoost},
author = {Wuxing Xu and Hao Fan and Kaixin Li and Kai Yang},
journal= {arXiv preprint arXiv:2112.04261},
year = {2021}
}