融合Stacking集成算法的联邦学习技术

提出一种基于集成算法的联邦学习模型(Stacked Federated Learning,Stacked-FL).模型将集成算法与联邦学习相结合,基于RSA加密与同态加密的隐私保护方法,实现多方数据去中心化处理,并设计了数据预处理、样本对齐、联邦集成算法模块.实验结果表明,该模型在预测准确性方面有显著提升,相比传统的数据中心化模型,其安全性得到了保证.实验使用Lending Club贷款数据集,选取MAE与RMSE作为评价指标,根据Stacked-FL算法的结果显示,其性能相比SecureBoost算法分别提升7.98％和0.83％.在保障用户隐私安全的同时,也提高了预测精确度,相比传统的联邦算法泛化能力增强,该模型满足中小型敏感数据集联合建模的基本需求,为中小型银行定制化信贷提供了更有效的解决方案.