EIVBoost: An efficient and interpretable gradient boosting framework for Vertical Federated Learning

Lianhai Wang

doi:10.1016/j.csi.2025.104082

EIVBoost: An efficient and interpretable gradient boosting framework for Vertical Federated Learning

2025-10-16

0

PRE

AI

DOI：10.1016/j.csi.2025.104082

原文链接

原文求助

摘要

En 中文

• 我们提出EIVBoost，一种利用函数秘密共享（FSS）确保垂直联邦学习（VFL）中隐私的梯度提升树框架，它能够实现安全比较和被动方的独立训练。该方法显著降低了通信开销，同时保护数据隐私，为同态加密和差分隐私等传统方法提供了更高效、更准确的替代方案。 • EIVBoost通过规则聚合将独立模型转化为全局可解释的决策树，增强了模型透明度，解决了VFL中的可解释性挑战，并使用户更易理解模型决策过程，提高了可信度。 • 通过平衡隐私保护、训练效率和模型可解释性，EIVBoost为VFL提供了稳健的解决方案，其准确性与XGBoost相当，同时显著降低了通信成本，相较于SecureBoost和FedXGBoost等现有框架，透明度得到提升。

EIVBoost: An efficient and interpretable gradient boosting framework for Vertical Federated Learning

摘要

期刊

机构

引用论文