S-BDT: Distributed Differentially Private Boosted Decision Trees.
本文提出 S-BDT，一种新颖的 (ε, δ)-差分隐私分布式梯度提升决策树（GBDT）学习器。研究核心问题是在分布式机器学习环境中，如何在不牺牲模型效用（如准确率或回归误差）的前提下，增强对单个训练数据点的隐私保护。传统差分隐私方法通常通
#gradient-boosted-decision-trees
共收录 2 条相关情报。
← 返回所有主题Practical Anonymous Two-Party Gradient Boosting Decision Tree
本文研究的是在两方垂直分割数据上训练梯度提升决策树（GBDT）的隐私保护问题。GBDT在金融和医疗等领域广泛应用，但传统安全计算方法（如基于私有集合交集PSI）会暴露双方共享的记录标识符（IDs），存在隐私泄露风险。本文首次提出匿名GBDT