Ents：一种通过通信优化的三方决策树训练框架

基于安全多方计算的多方决策树训练框架使多个方能够在分布式私有数据上训练高性能模型，同时保持隐私。训练过程本质上涉及根据分割准则（例如 Gini 不纯度）频繁地对数据集进行分割。然而，现有的决策树多方训练框架因以下问题表现出通信效率低下：（1）在处理连续属性的安全数据分割时面临巨大的通信开销。（2）由于在大型环上执行几乎所有计算，导致巨大的通信开销以适应分割准则的安全计算。在本文中，我们受到了通过通信优化为决策树提供一种高效的三方训练框架——Ents的启发。为解决第一个问题，本文提出了一系列基于安全基数排序协议的训练协议，以高效且安全地分割具有连续属性的数据集。为解决第二个问题，本文提出了一种高效的共享转换协议，用于在小环和大环之间转换共享，以减少在大型环上执行计算所产生的通信开销。实验结果显示，Ents 在通信大小和通信轮数上分别比现有技术高出 $5.5\times \sim 9.3\times$ 和 $3.9\times \sim 5.3\times$。在训练时间方面，Ents 具有 $3.5\times \sim 6.7\times$ 的提升。为了证明其实际性，Ents 在 WAN 设置下花费不到三小时即可安全地训练一个在 Skin Segmentation 数据集上有超过 245,000 个样本的决策树。