Fate原理(面试必备)

目录

零.基础

一.横向联邦学习

二.纵向联邦学习

---

零.基础

主要包含三个组成部分：

• Guest：数据应用方。纵向联邦时是拥有标签的一方；
• Host：数据提供方。纵向联邦中不含label的建模方；
• Arbiter：协作者，中立第三方，作用是聚合多方模型；

加密方案：

• Paillier Encryption 加法同态加密算法
• Affine Homomorphic Encryption 仿射同态加密算法，加法同态
• IterativeAffine Homomorphic Encryption 变换仿射同态加密算法，加法同态基于同态加密的逻辑回归使用的是Paillier加法同态。

详细的内容可查阅Paillier、Affine Homomorphic Encryption。（了解同态性质即可继续阅读）

一.横向联邦学习

主要解决的问题是，用户数据特征维度相同，但各方所拥有的用户不同。（不太用，不太考）

 流程：

（0）各参与方使用本地数据进行一次本地训练；

（1）各参与方与协调方通讯，上传模型参数（Guest：明文；Host：同态加密）；

（2）协调方Arbiter聚合各方模型，对于HomoLR，做加权平均；

（3）各方获取更新的模型（Guest：明文；Host：同态加密）;

（4）重复0~3，直到损失函数收敛或者达到迭代次数上限或者训练时间;

注意：

协调方是含有私钥的所以存在隐私威胁，必须假定他是半诚实的，但后期增加了随机数，这些随机数相加可以抵消，从而保护了host的数据。

二.纵向联邦学习

主要解决数据提供方用户相同，但是用户的特征维度不同。（重点！）

（1）Host（UA）算出它所拥有数据的单边w1 * x，记为ua；并把ua进行同态加密然后发给Guest（UB）；

（2）Guest（UB）根据自己的数据计算单边w2 * x，记为ub；则两方数据总wx=ua+ub；把总wx代入(0.25 * wx - 0.5 * y)即可求得总d；Guest（UB）把d同态机密后返回给Host（UA）；

===>> 至此，Host和Guest都拥有了：求解梯度公式中的d，且d是同态加密的；

（3）Host和Guest分别求出各自的单边梯度∑d*x，即ga和gb，并发给Arbiter；注：ga和gb也是同态加密的；

（4）Arbiter根据获得的ga和gb，使用加密私钥解密后，就可以求得真正的梯度g；然后切分后把相应的部分明文返回给guest和host；guest和host就可以拿着获得的梯度更新本地模型了；

注意：每个参与方只会拥有与自己特征相关的模型参数乘；对于横向联邦，数据应用方（Guest）能拿到完整模型，所以可以单独完成预测；但对于纵向联邦，数据应用方（Guest）只能拿到部分模型，所以需要与数据提供方（Host）一起联合预测。

参考：FATE横向联邦解析、FATE纵向联邦解析。