联邦计算 ROC 与 PR 曲线
机器学习
2025-10-07 v1 密码学与安全
摘要
接收者运行特征(Receiver Operating Characteristic, ROC)和精确召回率(Precision-Recall, PR)曲线是评估机器学习分类器的基本工具，提供关于真阳率与假阳率(ROC)或精确率与召回率(PR)之间权衡的详细见解。然而，在联邦学习(Federated Learning, FL)情景下，由于隐私和通信限制，计算这些曲线具有挑战性。具体而言，服务器无法访问用于集中计算ROC和PR曲线的原始预测得分和类别标签。在本文中，我们提出一种新方法，通过估计在分布式差分隐私下预测得分分布的分位数，以在联邦设置下近似计算ROC和PR曲线。我们对真实曲线与估计曲线之间的面积误差(Area Error, AE)提供了理论界限，展示了近似精度、隐私和通信成本之间的权衡。在真实数据集上的实证结果表明，我们的方法在最小化通信和强隐私保证下实现了高近似精度，使其在联邦系统中实用于隐私保护模型评估。
引用
@article{arxiv.2510.04979,
title = {Federated Computation of ROC and PR Curves},
author = {Xuefeng Xu and Graham Cormode},
journal= {arXiv preprint arXiv:2510.04979},
year = {2025}
}
备注
23 pages