基于可信执行环境的联邦学习梯度提升决策树训练方法.pdfVIP

下载本文档

11
0
约1.49万字
约 11页
2023-05-17 发布于北京
举报
版权申诉

基于可信执行环境的联邦学习梯度提升决策树训练方法.pdf

1、本文档共11页，其中可免费阅读10页，需付费10金币后方可阅读剩余内容。
2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

本发明公开一种基于可信执行环境的联邦学习梯度提升决策树训练方法，把联邦梯度提升决策树的训练过程中多个参与方轮流训练决策树的方法改进为多个参与方本地模型竞争的方法，每一轮迭代中选择质量最高的本地模型成为联邦模型的一部分，降低了低质量本地模型对全局模型的影响。并且，由于竞争本地模型的方式会使每个联邦参与方消耗更多的隐私预算，本发明设计了基于可信执行环境的模型评估方法，在可信执行环境中完成竞争过程，使隐私预算消耗与传统方式相同。最终，本发明应用于金融、医疗等场景下，多个社会实体可以在隐私保护的前提下，

(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114817946 A (43)申请公布日 2022.07.29 (21)申请号 202210270250.1 (22)申请日 2022.03.18 (71)申请人广西师范大学地址 541004