联邦学习-杨强

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

1. 在各自本地建模:wi

2. 在本地对模型Wi加密·[Wi]

3. 上传本地加密的模型[[Wi]]

4. 在服务器端整合上传的加密的模型:W=F(IIWi]], i=1,})2,...

5. 下传W到各个终端

6. 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

1. 发送公钥

2. 交换中间结果

3. 计算梯度和损失

4. 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：

1. 半诚实or恶意

2. 零知识or一些知识

3. 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

1. 小微企业信贷的风险管理难题（纵向联邦，用户重叠）

2. 多个保险公司的联邦建模

3. 计算机视觉（横向，特征都是像素）

4. 语音识别引擎

问题

1. 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？