Fed-EINI：一种面向联邦学习中决策树集成的高效可解释推断框架

对数据隐私与安全的日益关注推动了从孤立数据源研究隐私保护机器学习的新兴领域，即联邦学习。联邦学习的一类——纵向联邦学习，其中不同参与方持有公共用户的不同特征，在许多领域驱动企业间各类业务合作方面具有巨大潜力。在机器学习中，梯度提升决策树 (GBDT) 与随机森林等决策树集成是被广泛应用的强大模型，具有高可解释性与建模效率。然而，最先进的纵向联邦学习框架采用匿名特征以避免可能的数据泄露，使得模型的可解释性受损。为解决推断过程中的此问题，本文首先对纵向联邦学习中向客方披露特征含义的必要性进行问题分析。随后我们发现，一棵树的预测结果可表示为该树由各参与方持有的子模型结果之交集。基于这一关键观察，我们通过隐藏决策路径来保护数据隐私并允许特征含义的披露，并采用一种通信高效的安全计算方法用于推断输出。Fed-EINI 的优势将通过理论分析与大量数值结果得以展示。我们在确保效率与准确性的同时，通过披露特征含义提升了模型的可解释性。