隐私保护 XGBoost 推理
密码学与安全
2020-11-25 v4 机器学习
摘要
尽管机器学习（ML）被广泛用于预测任务，但在一些重要场景中 ML 无法使用或至少无法发挥其全部潜力。采用 ML 的一大障碍是预测查询的敏感性。单个用户可能缺乏足够丰富的数据集在本地训练准确模型，同时又不愿将敏感查询发送给提供此类模型的商业服务。隐私保护机器学习（PPML）的一个核心目标是使用户能向远程 ML 服务提交加密查询、接收加密结果并在本地解密。我们旨在为真实世界的隐私保护 ML 推理问题开发实用方案。本文提出一种隐私保护 XGBoost 预测算法，已在 AWS SageMaker 上实现并实证评估。实验结果表明，我们的算法效率足以用于真实 ML 生产环境。
引用
@article{arxiv.2011.04789,
title = {Privacy-Preserving XGBoost Inference},
author = {Xianrui Meng and Joan Feigenbaum},
journal= {arXiv preprint arXiv:2011.04789},
year = {2020}
}
备注
Extended abstract appears in Privacy-preserving Machine Learning Workshop at NeurIPS 2020