迁移学习---联邦学习（附代码下载）---杨强教授

微众银行+杨强教授团队的联邦学习FATE框架代码：https://github.com/WeBankFinTech/FATE

谷歌联邦迁移学习TensorFlow Federated （TFF）框架代码：

https://www.tensorflow.org/federated/

与杨强教授合影

 

联邦迁移学习能解决的问题？

• 数据隔离。

因权限不同，导致不同部门或者不同企业间的数据都是以孤岛的形式存在。

• 少标签数据。

数据量不足或者数据包含的信息不全。

• 传输过程隐私安全。

由于条款、利益等的原因导致共享的知识必须加密。

1. 安全性---利用同态加密HE技术解决
2. 隐私性---利用差分隐私DP技术解决

同态加密示意图

差分隐私：

差分隐私宗旨：在查询的结果上加满足某种分布的噪音，使查询结果随机化

•拉普拉斯机制，适用于数值型输出

•指数机制，适用于非数值型输出

• 联邦学习示意图

联邦学习分类：

横向联邦模型：用户特征一致，用户不一致

纵向联邦模型：用户一致，用户特征不一致

联邦迁移学习：用户，用户特征均不一致

• 谷歌联邦学习框架：

谷歌的联邦学习是为了应对GDRP联盟标准为应用的策略算法，侧重点是：算法对用户的隐私保护。

• 微众银行与杨强教授的联邦学习框架

侧重点是：解决小数据问题，同时保护用户的隐私。