FedXGBoost：面向联邦学习的隐私保护 XGBoost
机器学习
2021-08-13 v3 密码学与安全
摘要
联邦学习是一种分布式机器学习框架，能够在确保数据隐私的同时实现多方协作训练。由于传统隐私保护方法带来的高成本，当前最先进的树提升框架 XGBoost 在实际中向联邦学习的适配仍然有限。为解决该问题，我们提出了两种具有隐私保证的联邦 XGBoost 变体：FedXGBoost-SMM 和 FedXGBoost-LDP。我们的第一个协议 FedXGBoost-SMM 采用增强的安全矩阵乘法方法来保护隐私，在精度无损且开销低于基于加密的技术。第二个协议 FedXGBoost-LDP 独立开发，采用带噪声扰动的启发式设计以实现本地差分隐私，并在真实世界与合成数据集上进行了经验评估。
引用
@article{arxiv.2106.10662,
title = {FedXGBoost: Privacy-Preserving XGBoost for Federated Learning},
author = {Nhan Khanh Le and Yang Liu and Quang Minh Nguyen and Qingchen Liu and Fangzhou Liu and Quanwei Cai and Sandra Hirche},
journal= {arXiv preprint arXiv:2106.10662},
year = {2021}
}