연합 학습 기계 학습

SecureBoost 하이퍼파라미터 최적화를 통한 제약 다목적 연합 학습

SecureBoost는 동형 암호화를 활용하여 데이터 프라이버시를 보호하지만, 인스턴스 분포 보호 부재로 인한 레이블 유출 가능성이 존재한다. 또한 휴리스틱한 하이퍼파라미터 설정으로 인해 유틸리티, 효율성, 프라이버시 간의 최적 균형을 달성하지 못할 수 있다. 이를 해결하기 위해 제약 다목적 SecureBoost (CMOSB) 알고리즘을 제안하여 유틸리티 손실, 학습 비용, 프라이버시 유출을 동시에 최소화하는 최적의 하이퍼파라미터를 찾는다.

비IID 데이터에서 강건한 연합 학습을 위한 로짓 보정 및 특징 대조

SecureBoost 하이퍼파라미터 최적화를 통한 제약 다목적 연합 학습

연관성 있는 데이터 클러스터링을 통한 연합 학습 프레임워크 FedAC