面向纵向联邦学习的大规模安全XGB
机器学习
2021-09-03 v2 密码学与安全
机器学习
摘要
隐私保护机器学习近期受到越来越多的关注，尤其在各类隐私法规生效的背景下。在此情形下，联邦学习(FL)应运而生，以促进多方间隐私保护的联合建模。尽管许多联邦算法已被广泛研究，文献中仍缺乏安全且实用的梯度树提升模型（如XGB）。本文旨在构建纵向联邦学习设定下的大规模安全XGB。我们从三方面保障数据隐私：具体而言，(i)采用安全多方计算技术以避免训练中间信息泄露，(ii)以分布式方式存储输出模型以最小化信息释放，(iii)提供一种基于分布式模型的安全XGB预测新算法。此外，通过提出安全置换协议，我们提升了训练效率并使框架可扩展至大规模数据集。我们在公开数据集与真实数据集上进行了充分实验，结果表明所提XGB模型不仅具有具竞争力的精度，还具备实用性能。
引用
@article{arxiv.2005.08479,
title = {Large-Scale Secure XGB for Vertical Federated Learning},
author = {Wenjing Fang and Derun Zhao and Jin Tan and Chaochao Chen and Chaofan Yu and Li Wang and Lei Wang and Jun Zhou and Benyu Zhang},
journal= {arXiv preprint arXiv:2005.08479},
year = {2021}
}
备注
accepted by cikm21