联邦学习数学公式纯手推

=========================================================
以下每个算法都从数据、模型、代价函数以及梯度下降四方面来推导

1.逻辑回归

1.1 基本思想

经典的逻辑回归是一个二分类算法（分类标签0和1），核心思想是在线性回归的基础上加了一个sigmoid激活函数，即线性+非线性，而sigmoid函数有一个特点，所有定义域内的数值都会映射到（0，1）之间，左右都是开区间，这就类比于概率值，可以把所有的值域的数看成是预测正类的概率值，如此，则规定0.5是一个分界，高于0.5看作1类，低于0.5看作0类

1.2 sigmoid

原函数h=g(z)=1/(1+e^-z)取值范围(0,1)
导函数h’=h(1-h)取值范围(0,0.25]

2.联邦学习

2.1 背景

隐私保护、数据安全和行业竞争需求导致的“数据孤岛”问题

2.2 本质

一种分布式机器学习技术或机器学习框架，多方联合建模，数据不动模型动

2.3 目标

保证数据隐私安全以及合法合规，实现共同建模，提升AI模型的效果

2.4 分类

横向联邦学习
纵向联邦学习
联邦迁移学习（样本特征均不相同，目前落地应用较少，还只停留在学术层面）

3.横向逻辑回归

3.1 数据要求

特征相同，样本不同

3.2 应用

相同行业（金融领域）
例如：银行+监管——联合反洗钱建模

3.3 比较代价和梯度

代价函数：

	@staticmethod
    def compute_loss(values, coef, intercept)