基于梯度提升决策树的联邦学习框架OA

提出了一种基于梯度提升决策树的高效安全的联邦学习框架,专注于垂直联邦学习环境下的隐私保护,能够处理特征规模完全不同或同时存在二元和连续特征的情况.框架采用LightGBM作为梯度提升决策树,并基于对称加密机制来保护梯度隐私.安全分析表明,框架不会泄露梯度隐私,并且能有效防御数据在传输过程中被窃听或篡改的风险.通过在生物医学数据集和常用的信用预测数据集上的实验,验证了有效性,结果表明在保证相同准确率的情况下,比其他现有的基于梯度提升决策树的联邦学习框架更加高效.