联邦学习框架FATE使用案例记录

最新推荐文章于 2025-03-24 09:37:53 发布

你好丑啊

最新推荐文章于 2025-03-24 09:37:53 发布

阅读量1w

点赞数 11

分类专栏：联邦学习

本文链接：https://blog.csdn.net/weixin_38009252/article/details/103411111

版权

本文详细记录了FATE框架下横向和纵向联邦学习的案例，包括实验设置、步骤与结果分析。对比了FATE与谷歌的TFF框架在部署、应用场景、上手难度、可视化、调试、GPU支持及使用场景等方面的差异，提供了实用的使用感受和建议。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文记录了FATE框架中横向和纵向联邦学习的案例使用，并与笔者近期使用过的谷歌TFF(TensorFlow-Federated)框架对比，阐述使用感受。

1 横向联邦学习案例

在本节中，以逻辑回归为例记录横向联邦学习案例使用。

数据集：信用数据，位置FATE/examples/data/default_credit_homo_guest/host.csv
算法：logistics regression

1.上传数据json文件
upload_my_homolr_guest.json，upload_my_homolr_host.json

其中file字段用于指定数据存储位置；
head字段指明数据是否包含头；
partition字段指定数据划分数；
work_mode字段表示工作模式（单节点/集群）；
namespace和table_name由用户指定，需要与运行时配置文件中相应字段对应。

2.组件
test_my_homolr_train_dsl.json

这里使用了DataIO、HomoLR和Evaluation三个组件，需要注意各个组件之间的输入输出数据关系；
要使用其他组件，可以参考官方文档中的说明。

3.运行时配置文件
test_my_homolr_train_conf.json

initiator设置了联邦发起者的角色和id