基于多目标联邦学习的SecureBoost超参数调优
机器学习
2023-08-09 v3 密码学与安全
摘要
SecureBoost是一种利用同态加密在纵向联邦学习场景下保护数据隐私的树提升算法。因其可解释性、有效性和隐私保护能力，被广泛应用于金融和医疗等领域。然而，SecureBoost存在计算复杂度高和标签泄露风险的问题。为充分发挥SecureBoost的潜力，应谨慎选择其超参数，以在效用、效率和隐私之间取得最优平衡。现有方法要么凭经验要么启发式地设置超参数，远非最优。为填补这一空白，我们提出约束多目标SecureBoost（CMOSB）算法来寻找帕累托最优解，其中每个解是一组在效用损失、训练成本和隐私泄露之间实现最优权衡的超参数。我们设计了这三个目标的度量方法。特别地，隐私泄露使用我们提出的实例聚类攻击来度量。实验结果表明，CMOSB不仅产生了优于基线的超参数，还给出了可支持联邦学习参与者灵活需求的最优超参数集合。
引用
@article{arxiv.2307.10579,
title = {SecureBoost Hyperparameter Tuning via Multi-Objective Federated Learning},
author = {Ziyao Ren and Yan Kang and Lixin Fan and Linghua Yang and Yongxin Tong and Qiang Yang},
journal= {arXiv preprint arXiv:2307.10579},
year = {2023}
}
备注
FL-IJCAI'23