消除基于树的垂直联邦学习中的标签泄露
机器学习
2023-10-24 v2 人工智能
密码学与安全
摘要
垂直联邦学习（VFL）使拥有公共用户集不相交特征的多方能够在不共享私有数据的情况下训练机器学习模型。基于树的模型因其可解释性与高效性在VFL中已变得普遍。然而，基于树的VFL的脆弱性尚未被充分研究。本研究首先引入一种新颖的标签推断攻击ID2Graph，它利用分配给每个节点的记录ID集合（即实例空间）来推导私有训练标签。ID2Graph攻击从训练样本生成图结构，从图中提取社区，并利用社区信息对本地数据集聚类。为对抗来自实例空间的标签泄露，我们提出两种有效防御机制：Grafting-LDP（通过后处理改进标签差分隐私的效用）与ID-LMID（专注于互信息正则化）。在各种数据集上的综合实验表明，ID2Graph对RandomForest和XGBoost等基于树的模型构成显著风险。对这些基准的进一步评估表明，我们的防御方法在此类情况下有效缓解了标签泄露。
引用
@article{arxiv.2307.10318,
title = {Eliminating Label Leakage in Tree-Based Vertical Federated Learning},
author = {Hideaki Takahashi and Jingjing Liu and Yang Liu},
journal= {arXiv preprint arXiv:2307.10318},
year = {2023}
}