SecureBoost 是一种利用同态加密保护数据隐私的树增强算法，广泛应用于金融和医疗保健等领域，具有解释性、有效性和保护隐私的能力。然而，SecureBoost 存在计算复杂度高和标签泄漏风险的问题。为了充分发挥 SecureBoost 的潜力，应该仔细选择其超参数，以在效用、效率和隐私之间取得最佳平衡。现有方法要么以经验方式设置超参数，要么是经验性启发式方法，远未达到最优。为了填补这一空白，我们提出了一种约束多目标 SecureBoost（CMOSB）算法，以找到 Pareto 最优解，其中每个解都是一组超参数，实现了效用损失、训练成本和隐私泄漏的最佳权衡。我们设计了三个目标的度量方法，特别是使用我们提出的实例聚类攻击来衡量隐私泄漏。实验结果表明，CMOSB 不仅产生了优于基线的超参数，而且还能够支持 FL 参与者的灵活要求的最佳超参数集合。

Jul, 2023

为了解决 SecureBoost 及其变种在隐私泄露方面的漏洞问题，我们提出了一种名为 Constrained Multi-Objective SecureBoost (CMOSB) 的算法，旨在实现在模型效果、训练成本和隐私泄露之间取得最佳平衡的一组超参数集合。

Apr, 2024

本研究旨在在垂直联合学习设置下构建大规模安全的梯度树提升模型，并从多个方面保证数据隐私，包括采用安全的多方计算技术、分布式存储输出模型以最小化信息泄露，以及提供一种新的算法用于在分布式模型上进行安全的梯度树提升模型预测。通过提出安全置换协议，我们可以提高训练效率并使框架扩展到大型数据集。在公共数据集和真实世界数据集上进行了广泛的实验，结果表明，我们提出的 XGB 模型不仅具有竞争性的准确性，而且具有实用性能。

May, 2020

本文提出了一种称为 Federated Forest 的隐私保护机器学习模型，该模型是传统随机森林方法的无损学习模型，可以在不泄露原始数据的情况下处理分布在不同公司或政府机构中的数据。 通过该模型，开发了一种安全的跨地区机器学习系统，并提出了一种新型的预测算法来降低通信开销。 实验表明，Federated Forest 的性能已被验证，可以用于实际任务。

May, 2019

提出一种水平联邦 XGBoost 的创新框架，通过使聚合树模型的学习率可学习，从而不依赖于梯度共享，同时提高隐私和通信效率，降低通信轮数和开销，并在各种数据集上进行了广泛评估。

Apr, 2023

本文研究了使用局部敏感哈希的 GBDT 在水平联邦学习中的训练，证明了其安全性并且可以显著提高预测准确性。

Nov, 2019

本研究提出一种基于矩阵分解的安全联邦学习框架，称为 FedMF，利用同态加密技术实现了对上传信息的加密保护，从而解决联邦学习中梯度泄露的问题，并证明了其可行性。

Jun, 2019

本文研究了在联合学习中，如果服务端是恶意的但试图获得私人数据，会面临什么样的安全聚合漏洞，并提供了一种进一步防御此类恶意服务器的方法，并展示了防御针对已知攻击的有效性。

Nov, 2022

这篇研究论文旨在解决协作机构拥有具有不同特征的同一组用户数据和只有一个组织持有标签等场景下的隐私保护垂直联邦学习问题，并提出了一种名为 Pivot 的隐私保护垂直决策树训练和预测的解决方案，该方案不依赖于任何受信任的第三方，并提供了针对半诚实对手的保护。

Aug, 2020

本研究提出一种具有多轮隐私保障的安全聚合框架，包括一个新的衡量指标来量化联邦学习的隐私保证，并开发了一种结构化的用户选择策略来保证每个用户的长期隐私（在任意数量的训练轮次下），并在 MNIST 和 CIFAR-10 数据集上进行了实验。

Jun, 2021