FedSDG-FS:面向纵向联邦学习的高效安全特征选择
机器学习
2023-02-22 v1 密码学与安全
摘要
纵向联邦学习(VFL)使多个数据持有方(各自掌握关于大体重叠的数据样本的不同特征子集)能够联合训练有用的全局模型。特征选择(FS)对VFL十分重要。这仍是一个开放的研究问题,因为现有为VFL设计的FS工作要么假设已知噪声特征数量的先验知识,要么假设已知待选有用特征的训练后阈值的先验知识,使其不适用于实际应用。为弥补这一差距,我们提出了基于联邦随机双门的特征选择(FedSDG-FS)方法。它包含一个高斯随机双门,可高效近似特征被选择的概率,并通过部分同态加密在无可信第三方的情况下提供隐私保护。为降低开销,我们提出了基于基尼不纯度的特征重要性初始化方法,仅需在服务器与客户端间进行两次参数传输即可达成目标。在合成与真实世界数据集上的大量实验表明,FedSDG-FS在准确选择高质量特征以及构建性能更优的全局模型方面显著优于现有方法。
引用
@article{arxiv.2302.10417,
title = {FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning},
author = {Anran Li and Hongyi Peng and Lan Zhang and Jiahui Huang and Qing Guo and Han Yu and Yang Liu},
journal= {arXiv preprint arXiv:2302.10417},
year = {2023}
}
备注
10 pages, 8 figures