针对联邦学习算法中存在的训练效率低、通信成本高等问题，提出基于纵向联邦学习的快速提升树算法，在模型传递一阶导数和二阶导数时使用差分隐私方案，并在初始化预测类标签时增加随机扰动。相比于目前常见联邦学习框架 FATE 中依靠半同态加密实现的安全提升树 (SecureBoost) 模型，本算法在不降低模型精度的情况下，在相同 8.5 万样本的数据上，运行速度提升了60.79%，传输数据量减少了 31.65%。相同 65 万样本的数据上，运行速度提升了 50.54%，传输数据量减少了 12.05%。

网站会员需要登录才能在线预览，点我登录。

如何成为网站会员>>