Privet：面向梯度提升决策表的隐私保护纵向联邦学习服务
密码学与安全
2023-06-06 v2
摘要
纵向联邦学习（VFL）近来已成为一种引人注目的分布式范式，使多方能够基于纵向划分的数据集协作训练高质量模型。梯度提升已广泛应用于 VFL 中，它构建弱学习器（通常为决策树）的集成以实现良好的预测性能。近来，由于决策表结构更简单、可解释性好且性能可观，将其作为梯度提升中一种有趣的替代弱学习器受到了越来越多的关注。在文献中，已有关于面向梯度提升决策树的隐私保护 VFL 的工作，但此前尚无研究致力于决策表这一新兴情形。决策表的训练和推理不同于通用决策树的情形，更不用说 VFL 中基于决策表的梯度提升了。有鉴于此，我们设计、实现并评估了 Privet，这是首个支持面向梯度提升决策表的隐私保护 VFL 服务的系统框架。Privet 精巧地构建于轻量级密码学之上，允许持有纵向划分数据集的任意数量参与方安全地训练梯度提升决策表。在多个真实世界数据集和合成数据集上的大量实验表明，Privet 取得了可观的性能，其效用可与明文集中式学习相媲美。
引用
@article{arxiv.2305.12652,
title = {Privet: A Privacy-Preserving Vertical Federated Learning Service for Gradient Boosted Decision Tables},
author = {Yifeng Zheng and Shuangqing Xu and Songlei Wang and Yansong Gao and Zhongyun Hua},
journal= {arXiv preprint arXiv:2305.12652},
year = {2023}
}
备注
Accepted in IEEE Transactions on Services Computing (TSC)