纵向联邦学习的学术定义 [1] 如下:令X代表特征空间,Y代表类标空间,I代表样本标识(Identification,ID)空间,D代表数据集。在一个联邦学习系统中,有多个参与方在保证各自私有数据隐私的前提下联合训练一个机器学习模型,若以下条件成立:Xi≠Xj,Yi≠Yj,Ii=Ij,∀Di,Dj,i≠j,则称此时的联邦学习为纵向联邦学习。一般...
· 横向联邦学习:不同参与方的数据有较大的特征的重叠(横向),但数据样本(纵向),即特征所属的样本的重叠度不高。例如,联邦学习的参与方是两家服务于不同区域市场的银行,他们所服务的客户群体差别较大,但客户的特征可能会因为相似的商业模式而重叠度较高。 · 纵向联邦学习:不同参与方的数据样本有较大的重叠,但...
纵向联邦学习算法 安全联邦提升树 (SecureBoost) 安全的样本对齐 SecureBoost包含两个主要步骤。首先,在隐私保护下对参与方之间具有不同特征的重叠用户进行样本对齐。然后,所有参与方通过隐私保护协议共同地学习一个共享的梯度提升树模型。 SecureBoost框架的第一步是实体对齐,即在所有参与方中寻找数据样本的公共集合(如共同...
创建纵向联邦学习作业 在左侧导航树上依次选择“作业管理 > 可信联邦学习”,打开可信联邦学习作业页面。 在“可信联邦学习”页面,单击“创建”。图1 创建作业 在弹出的对话框中单击“纵向联邦”按钮,编辑“作业名称”等相关参数,完成后单击“确定”。 目前,纵向联邦学习支持“XGBoost”、“逻辑回归”、“F ...
纵向联邦学习(Vertical Federated Learning)关注特征的联邦学习,数据在样本ID空间保持一致,但在特征空间分布不同。适用于数据集在用户ID上相似,但在业务特征上有显著差异的情况。如同一地区的银行与电子商务公司数据,用户ID相同但业务特征不同。联邦迁移学习(Federated Transfer Learning)则适用于特征空间...
纵向联邦学习 纵向联邦学习,联合不同特征建模。两个数据集的用户 ( U1, U2, … ) 重叠部分较大,而用户特征 ( X1, X2, … ) 重叠部分较小;纵向联邦学习在两个数据集的用户重叠较多而用户特征重叠较少的情况下,我们把数据集按照纵向(即特征维度)切分,并取出双方用户相同而用户特征不完全相同的那部分数据进行...
纵向联邦学习 纵向联邦学习,联合不同特征建模。两个数据集的用户 ( U1, U2, … ) 重叠部分较大,而用户特征 ( X1, X2, … ) 重叠部分较小;纵向联邦学习在两个数据集的用户重叠较多而用户特征重叠较少的情况下,我们把数据集按照纵向(即特征维度)切分,并取出双方用户相同而用户特征不完全相同的那部分数据进行...
深圳前海微众银行取得纵向联邦学习专利,实现独立使用联邦学习模型 金融界2024年4月29日消息,据国家知识产权局公告,深圳前海微众银行股份有限公司取得一项名为“纵向联邦学习系统优化方法、装置、设备及可读存储介质”,授权公告号CN110633805B,申请日期为2019年9月。专利摘要显示,本发明公开了一种纵向联邦学习系统优化...
目前,横向联邦学习已经实现高效的基于深度网络的交流训练,但是纵向联邦学习和混合联邦学习的深度网络范式效率仍远低于横向联邦学习,其通常复杂度大概是6n (n为client的数量)。在纵向学习场景中,来自clients的部分网络可能存储不相交或重叠的内容自身数据的特征,从而无法像横向场景中直接权重平均。为了解决这个问题,...
航天信息申请纵向联邦学习模型训练专利,提升训练的安全性 金融界2024年2月21日消息,据国家知识产权局公告,航天信息股份有限公司申请一项名为“一种纵向联邦学习模型的训练方法、装置及电子设备“,公开号CN117574405A,申请日期为2023年11月。专利摘要显示,本申请涉及数据处理技术领域,尤其涉及一种纵向联邦学习模型的...