联邦学习的过程

联邦学习的过程分为自治和联合两部分。

自治的部分：首先，两个或两个以上的的参与方们在各自终端安装初始化的模型，每个参与方拥有相同的模型，之后参与方们可以使用当地的数据训练模型。由于参与方们拥有不同的数据，最终终端所训练的模型也拥有不同的模型参数。

联合的部分：不同的模型参数将同时上传到云端，云端将完成模型参数的聚合与更新，并且将更新好的参数返回到参与方的终端，各个终端开始下一次的迭代。以上的程序会一直重复，直到整个训练过程的收敛。

现以包含两个数据拥有方（即企业A和B）的场景为例来介绍联邦学习的系统构架，该构架可扩展至包含多个数据拥有方的场景。假设企业 A 和 B 想联合训练一个机器学习模型，它们的业务系统分别拥有各自用户的相关数据。此外，企业 B 还拥有模型需要预测的标签数据。出于数据隐私和安全考虑， A 和 B 无法直接进行数据交换。此时，可使用联邦学习系统建立模型，系统构架如图所示。

第一部分：加密样本对齐。

由于两家企业的用户群体并非完全重合，系统基于加密的用户样本对齐技术（如RSA），在A和B不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠