样本对齐组件
样本对齐组件通常用于纵向联邦学习,要求应包括:
a) 各方在不公开各自数据的前提下确认数据源的重叠样本;
b) 不暴露非重叠样本。
特征对齐组件
特征对齐组件通常用于横向联邦学习,要求应包括:a) 各方在不公开各自数据的前提下确认数据源的重叠特征属性;
b) 不暴露非重叠特征属性。
联合特征工程组件
联合特征工程的功能应包括:
a) 联合特征使用方案;
b) 联合特征获取方案;
c) 联合特征处理;
d) 联合特征监控。
注:由于不同联邦学习算法的应用对特征有不同的需求,故此组件应围绕具体的需求定制。
通用联邦学习算法组件
通用联邦学习算法组件包含联邦学习针对不同的应用场景、训练任务所需的各类基础算法,包括:
a) 联邦学习的逻辑回归,如纵向逻辑回归、横向逻辑回归等;
b) 联邦学习的决策树,如 GBDT 等;
c) 联邦迁移学习;
d) 联邦深度学习。
算法评估组件
算法评估组件包含对联邦学习算法效果的评估,包括:
a) 正确性评估;
b) 无损性评估;
c) 有效性评估;
d) 性能评估;
e) 安全性评估;
f) 参与方贡献评估。
领域自适应组件
领域自适应组件的目标是将分布在不同源域和目标域的数据,映射到一个特征空间中,使其在该空间中的距离尽可能近。