【论文阅读】FederBoost: Private Federated Learning for GBDT

论文简介：FederBoost: Private Federated Learning for GBDT——将GBDT模型应用于横向联邦学习和纵向联邦学习

论文地址：[2011.02796] FederBoost: Private Federated Learning for GBDT (arxiv.org)

1. 每文三问

①文章在解决什么问题?

FL 有两个问题尚未解决：

unable to handle vertically partitioned data
unable to support decision trees
现有的用于垂直分区数据或决策树的 FL 解决方案需要大量的加密操作。

②用了什么方法 (创新方法) ?

提出框架 FederBoost，它支持在 both horizontally and vertically partitioned data 训练 GBDT。vertical FederBoost 不需要任何加密操作，horizontal FederBoost 只需要轻量级的安全聚合。

③效果如何？

对于 vertical and horizontal FederBoost 都实现了相同水平的 AUC ，即使是在广域网中，也能在半小时内完成训练。

AUC是一个用于二分类模型的模型评价指标

https://zhuanlan.zhihu.com/p/33407505

2. Introduction

设计 FederBoost 的一个关键启发是