联邦学习开源框架FATE新版本发布！配套引擎EggRoll更新，联邦应用场景再拓展

如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。而联邦学习这门技术，则可以将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，从而解决分散数据的使用问题。FATE(Federated AI Technology Enabler)作为全球首个联邦学习的工业级开源框架，实现了同态加密和多方计算（MPC）的安全计算协议，其支持联邦学习架构，内置了多种机器学习算法的联邦学习实现，FATE的每一次更新迭代，都在一定程度上代表着联邦学习的前进方向。

近日，全球首个联邦学习工业级开源框架FATE(Federated AI Technology Enabler)正式迎来了1.4新版本发布。在这一版本中，FATE着重提升了用户在真实建模中的体验，横向联邦增加了对Secureboost树算法的支持，纵向联邦广义线性模型系列则增加了对基于AIC及BIC进行逐步回归模型选择的全面支持，纵向联邦分箱也新增了最优分箱方法，支持iv\gini\chi-square\ks，同时，作为FATE计算/存储/通信引擎的EggRoll也迎来了全新的2.0，稳定性、性能以及用户体验显著提升。作为侧重点在完善FATE可用性的这一版本，相信能为开发者带来更为流畅的使用体验。

该项目GitHub地址：https://github.c