数据不动模型动
按样本分割(参数的沟通)(横向)特征相同,样本不同
-
在各自本地建模:wi
-
在本地对模型Wi加密·[Wi]
-
上传本地加密的模型[[Wi]]
-
在服务器端整合上传的加密的模型:W=F(IIWi]], i=1,})2,...
-
下传W到各个终端
-
在各自本地,利用W对Wi更新
同态加密
纵向:特征不同,样本重叠
-
发送公钥
-
交换中间结果
-
计算梯度和损失
-
更新模型
联邦学习:数据不动,模型参数动(加密)。保证数据和模型安全。 联邦数据库:对多个独立数据库提供控制和协同操作,没有安全要求。集中式协同服务器存在安全隐患,区块链:分布式账本,所有数据在所有节点存档。
迁移学习(样本和特征都不重叠)
分类:
-
半诚实or恶意
-
零知识or一些知识
-
恶意中心or恶意数据节点
利益分配
每一个数据拥有方先对自己的数据分解,把一部分参数(本征向量)加密送到服务器端,服务器端将不同的向量通过横向联邦学习同态平均,再把更新值分发给用户端。
应用
-
小微企业信贷的风险管理难题(纵向联邦,用户重叠)
-
多个保险公司的联邦建模
-
计算机视觉(横向,特征都是像素)
-
语音识别引擎
问题
-
如何在不暴露x,y的前提下通过同态加密得到x和y的交集?