视野 | 面向隐私安全的联邦决策树算法

根据用户信息进行资质审查是金融领域的一项重要业务，银行等机构由于用户数据不足和隐私安全等原因，无法训练高性能的违约风险评估模型，从而无法对用户进行精准预测。因此，为了解决数据不共享情况下的联合建模问题，本文提出一种基于联邦学习的决策树算法FL-DT（Federated Learning-Decision Tree）。首先，构造基于直方图的数据存储结构用于通信传输，通过减少通信次数，有效提升训练效率；其次，提出基于不经意传输的混淆布隆过滤器进行隐私集合求交，得到包含各参与方数据信息的联邦直方图，并建立联邦决策树模型。最后，提出多方协作预测算法，提升了FL-DT的预测效率。

面向隐私安全的联邦决策树算法郭艳卿1)  王鑫磊1)  付海燕1)  刘航1)  姚明2)1)（大连理工大学信息与通信工程学院 辽宁 大连 116024）2)（深圳市洞见智慧科技有限公司 北京 100007）注：本文原刊于《计算机学报》，文章略有删减，原文PDF链接如下http://cjc.ict.ac.cn/online/onlinepaper/gyq-20211014152736.pdf

*声明：本文仅代表作者本人观点，不代表本人所在机构及隐私计算联盟观点。

往期推荐010203