保护隐私的联邦 Extra-Trees
机器学习
2020-02-19 v1 密码学与安全
机器学习
摘要
人们普遍观察到数据分散各处且难以集中，数据隐私与安全也成为敏感话题。欧盟《通用数据保护条例》(GDPR) 等法律法规旨在保护公众数据隐私。然而，机器学习需要大量数据以获得更好性能，当前环境使实际 AI 应用的部署陷入极其困难的境地。为应对这些挑战，本文提出一种新颖的隐私保护联邦机器学习模型，称为 Federated Extra-Trees，其在联邦树模型中应用本地差分隐私。我们开发了一个安全的多机构机器学习系统，通过在不同客户端上联合处理建模而不交换任何原始数据来提供优越性能。我们在公开数据集上进行了广泛实验验证了我们工作的准确性，并通过模拟真实场景验证了效率与鲁棒性。总体而言，我们提出了一种可扩展、可伸缩且实用的解决方案来处理数据孤岛问题。
关键词
引用
@article{arxiv.2002.07323,
title = {Federated Extra-Trees with Privacy Preserving},
author = {Yang Liu and Mingxin Chen and Wenxi Zhang and Junbo Zhang and Yu Zheng},
journal= {arXiv preprint arXiv:2002.07323},
year = {2020}
}