隐私计算-联邦学习

联邦学习是机器学习框架，能有效帮助多个参与方在满足用户隐私保护、数据安全和国家法规的要求下，进行数据使用和机器学习建模。
机器学习涉及（神经网络、逻辑回归、线性回归）
联邦学习的分类：

• 横向联邦学习本质是样本的联合，适用于参与者间业态相同或相近，但客户不同（特征重叠多，客户重叠少）
• 纵向联邦学习本质是特征的联合，适用于用户重叠多，特征重叠少。
• 迁移联邦学习，参与方之间特征和样本重叠都很少。

联邦学习涉及技术：同态加密、秘密共享、差分隐私、基于硬件的TEEE

• 联邦学习框架：FATE 机器学习算法：LR、GBDT、DNN 隐私计算技术：同态加密、秘密共享
•  联邦学习框架：PaddleFL机器学习算法：LR、DNN隐私计算技术：同态加密、秘密共享、差分隐私
•  联邦学习框架：TensorFlow Federated机器学习算法：LR、DNN隐私计算技术：差分隐私
•  联邦学习框架：Pysyft机器学习算法：LR、DNN隐私计算技术：同态加密、秘密共享、差分隐私
•  联邦学习框架：Cryp Ten机器学习算法：LR、DNN隐私计算技术：秘密共享

详细内容见《深入浅出 隐私计算》 李伟荣