FATE —— 一. 异质安全增强示例

在开始建模任务之前，应上载要使用的数据。请参阅指南。

Guest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合梯度或者模型,

比如纵向lr里面,各方将自己一半的梯度发送给arbiter，然后arbiter再联合优化等等,

arbiter还参与以及分发公私钥，进行加解密服务等等。一般是由数据应用方Guest发起建模流程。

准备

pipeline包提供组成FATE管道的组件。

from pipeline.backend.pipeline import PipeLine
from pipeline.component import Reader, DataTransform, Intersection, HeteroSecureBoost, Evaluation
from pipeline.interface import Data

创建pipeline实例：

-发起人：

*角色：host

*参与方：9999

-角色：

*Guest：9999

*Host：10000

pipeline = PipeLine() \
        .set_initiator(role='guest', party_id=9999) \
        .set_roles(guest=9999, host=10000)

定义读取器以加载数据

reader_0 = Reader(name="reader_0")
# 设置guest参数
reader_0.get_party_instance(role='guest', party_id=9999).component_param(
    table={"name": "breast_hetero_guest", "namespace": "experiment"})
# 设置host参数
reader_0.get_party_instance(role='host', party_id=10000).component_param(
    table={"name": "breast_hetero_host", "namespace": "experiment"})

添加DataTransform组件以将原始数据解析到数据实例中

data_transform_0 = DataTransform(name="data_transform_0")
# 设置guest参数
data_transform_0.get_party_instance(role='guest', party_id=9999).component_param(
    with_label=True)
data_transform_0.get_party_instance(role='host', party_id=[10000]).component_param(
    with_label=False)

添加Intersection 组件以执行异场景的PSI

intersect_0 = Intersection(name="intersect_0")

现在，我们定义了HeteroSecureBoost组件。将为所有相关方设置以下参数。

hetero_secureboost_0 = HeteroSecureBoost(name="hetero_secureboost_0",
                                         num_trees=5,
                                         bin_num=16,
                                         task_type="classification",
                                         objective_param={"objective": "cross_entropy"},
                                         encrypt_param={"method": "paillier"},
                                         tree_param={"max_depth": 3})

要显示评估结果，需要“Evaluation”组件。

evaluation_0 = Evaluation(name="evaluation_0", eval_type="binary")

训练

按执行顺序向管道添加组件：

-data_transform_0 消耗 reader_0的输出数据

-intersect_0 消耗 data_transform_0的输出数据

-heterosecurebost_0消耗intersect_0的输出数据

-evaluation_0消耗训练数据上的heterosecurebost_0的预测结果

然后编译我们的pipeline ，以便提交。

pipeline.add_component(reader_0)
pipeline.add_component(data_transform_0, data=Data(data=reader_0.output.data))
pipeline.add_component(intersect_0, data=Data(data=data_transform_0.output.data))
pipeline.add_component(hetero_secureboost_0, data=Data(train_data=intersect_0.output.data))
pipeline.add_component(evaluation_0, data=Data(data=hetero_secureboost_0.output.data))
pipeline.compile();

现在，提交（安装）我们的pipeline：

pipeline.fit()

一旦训练完成，训练后的模型可用于预测。（可选）保存经过训练的pipeline以供将来使用。

pipeline.dump("pipeline_saved.pkl");

预测

首先，从训练的pipeline部署所需组件

pipeline = PipeLine.load_model_from_file('pipeline_saved.pkl')
pipeline.deploy_component([pipeline.data_transform_0, pipeline.intersect_0, pipeline.hetero_secureboost_0]);

定义用于读取预测数据的新Reader组件

reader_1 = Reader(name="reader_1")
reader_1.get_party_instance(role="guest", party_id=9999).component_param(table={"name": "breast_hetero_guest", "namespace": "experiment"})
reader_1.get_party_instance(role="host", party_id=10000).component_param(table={"name": "breast_hetero_host", "namespace": "experiment"})

（可选）定义新的评估组件。

evaluation_0 = Evaluation(name="evaluation_0", eval_type="binary")

按执行顺序添加组件以预测pipeline：

predict_pipeline = PipeLine()
predict_pipeline.add_component(reader_1)\
                .add_component(pipeline, 
                               data=Data(predict_input={pipeline.data_transform_0.input.data: reader_1.output.data}))\
                .add_component(evaluation_0, data=Data(data=pipeline.hetero_secureboost_0.output.data));

然后，运行预测作业

predict_pipeline.predict()

有关使用pipeline提交作业的更多演示，请参阅pipeline演示