联邦学习
文章平均质量分 90
培根芝士
相看两厌,不若相忘于江湖
展开
-
FATE的隐私求交(PSI)模块
本模块提供了一些PSI(Private Set Intersection)的方法。RSA Intersection此模式实现了基于RSA求交的算法。在FATE,eggroll 和federation API 之上构建安全、分布式和并行的基础设施。本求交模块试图解决隐私保护实例匹配问题。此模块帮助两方或多方查找共有样本ID,而不会泄漏非重叠ID。该过程如下图所示。在图中,甲方有用户id u1、u2、u3、u4,而乙方有用户id u1、u2、u3、u5。求交后,甲、乙双方都学习各自的公共样.原创 2021-12-10 14:40:50 · 3734 阅读 · 0 评论 -
Fate横向联邦学习-预测
1. 获取训练模型信息输入命令获取训练模型信息的model_id以及model_version,具体命令模板如下python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f job_config -j ${jobid} -r guest -p${your_fate_install_path}: fate安装目录 -j :${jobid} :任务ID -r: 角色 -p: ${guest_partyid}:partyId原创 2021-12-07 18:34:15 · 1540 阅读 · 3 评论 -
Fate横向联邦学习-训练评估
1. 准备上传数据我们直接使用Fate提供的案例数据目录在examples/data/breast_homo_guest.csv、examples/data/breast_homo_host.csv、这里上传数据需要准备host以及guest两方的上传数据根据官方解释在Fate的概念中分成3种角色,Guest、Host、ArbiterGuest表示数据应用方,Host是数据提供方,在纵向算法中,Guest往往是有标签y的一方。arbiter是用来辅助多方完成联合建模的,主要的作用是用来聚.原创 2021-12-07 14:33:17 · 2632 阅读 · 1 评论 -
联邦学习的过程
联邦学习的过程分为自治和联合两部分。自治的部分:首先,两个或两个以上的的参与方们在各自终端安装初始化的模型,每个参与方拥有相同的模型,之后参与方们可以使用当地的数据训练模型。由于参与方们拥有不同的数据,最终终端所训练的模型也拥有不同的模型参数。 联合的部分:不同的模型参数将同时上传到云端,云端将完成模型参数的聚合与更新,并且将更新好的参数返回到参与方的终端,各个终端开始下一次的迭代。以上的程序会一直重复,直到整个训练过程的收敛。现以包含两个数据拥有方(即企业A和B)的场景为例来介绍联邦学习的系统构架原创 2021-12-06 14:00:35 · 1045 阅读 · 0 评论 -
联邦学习(Federated Learning)
联邦学习简介联邦学习(Federated Learning)是一种新兴的人工智能基础技术,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。其中,联邦学习可使用的机器学习算法不局限于神经网络,还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。联邦学习的系统构架以包含两个数据拥有方(即企业 A 和 B)的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假原创 2021-11-26 18:45:53 · 45625 阅读 · 1 评论 -
联邦学习开源框架FATE
FATE (Federated AI Technology Enabler) 是微众银行AI部门发起的全球首个联邦学习工业级开源框架,可以让企业和机构在保护数据安全和数据隐私的前提下进行数据协作。 FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议,以此支持不同种类的机器学习的安全计算,包括逻辑回归、基于树的算法、深度学习和迁移学习等。FATE于2019年2月首次对外开源,并于2019年6月由微众银行捐献给Linux基金会,并成立 FATE TSC 对FATE社.原创 2021-11-25 15:45:09 · 14621 阅读 · 0 评论