Jul, 2023
SecureBoost 超参数调整的多目标联邦学习
SecureBoost Hyperparameter Tuning via Multi-Objective Federated Learning
Ziyao Ren, Yan Kang, Lixin Fan, Linghua Yang, Tao Fan...
TL;DRSecureBoost 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。