[发明专利]分布式梯度提升决策树实现全面隐私保护的方法

权利要求书

1.分布式梯度提升决策树实现全面隐私保护的方法，其特征在于，包括以下步骤：

训练阶段：

每个客户端在本地训练满足差分隐私定义的梯度提升决策树GBDT；

各客户端使用多项式近似将GBDT转换为多项式近似树PAT，并将PAT发送给服务器；

预测阶段：

用户端生成公私钥对，将公钥加密之后的查询数据以及公钥发送给服务器；

服务器使用全同态加密将加密之后的查询数据在每个PAT上进行预测得到预测结果并发送给用户端；

用户端解密预测结果，对于用户的分类任务，在预测结果中选择众数作为最终分类结果；对于用户的回归任务，在预测结果中选择平均值作为最终预测值。

2.如权利要求1所述方法，其特征在于，使用多项式近似的具体方法是：

确定n度的多项式函数的集合；

再根据多项式样本矩阵X与真实值Y获得n×1维的近似多项式的系数矩阵β：β＝(X^TX+λE)^-1X^TY，λ是设置参数，E是一个n×n维的单位矩阵；

将近似多项式的系数矩阵β中的各元素β₀,β₁,…,β_n作为多项式近似函数中各项系数。

3.如权利要求1所述方法，其特征在于，加密之后的查询数据在PAT上进行预测的具体方法是：从PAT的根节点开始，将加密之后的查询数据放入根节点的多项式进行计算得到密文，通过递归进入下一层，将密文与左子树相乘，同时将右子树与1减去密文的差值相乘，最终将两个相乘的结果相加得到当前层的密文；当密文到达最后一个叶子节点时，密文与叶子节点的值相乘的结果为加密后的预测结果。