PrivBoost: A Federated Learning Framework for Differentially Private Tree Boosting

Shuangqing Xu

doi:10.1016/j.comnet.2025.111817

PrivBoost: A Federated Learning Framework for Differentially Private Tree Boosting

2025-11-04

0

PRE

AI

DOI：10.1016/j.comnet.2025.111817

原文链接

原文求助

摘要

En 中文

联邦学习（FL）为隐私友好的协作模型训练提供了一种引人入胜的范式。尽管许多研究工作集中在联邦学习下的深度学习模型训练，但近期趋势是训练梯度提升树模型，这得益于其高效率、良好的可解释性以及有前景的准确性，特别是在表格数据上。为了实现强隐私保护，不仅需要在训练过程中保护单个客户端的私有训练数据和梯度更新，还必须保护训练好的梯度提升树。这是因为若未适当保护训练好的模型，可能被用来推断训练数据的私有信息。本文提出PrivBoost，一种用于训练差分私有梯度提升决策树的新型联邦学习服务框架。PrivBoost结合了轻量级安全聚合技术与差分隐私（DP）的巧妙协同，使协调服务器能够无意识聚合个体梯度更新并生成差分私有的梯度提升树模型。PrivBoost主要区别于先前工作之处在于将DP的噪声生成分布到客户端，通过自定义构造使客户端能为我们的差分私有安全聚合协议生成有效输入。本文提供了形式化分析以证明DP保证。在真实世界和合成数据集上的广泛实验表明，PrivBoost能够在有前景的性能下实现与中心DP设置相当模型效用。

PrivBoost: A Federated Learning Framework for Differentially Private Tree Boosting

摘要

期刊

机构

引用论文