联邦学习的两种训练模式

    在前文中，对联邦学习的场景进行了简单的介绍，接下来对不同的场景下的训练模式进行介绍。

    在联邦学习中，每个参与协同训练的组织被称为一个Party。各参与者按照职责的不同，被划分为以下三种角色：

    Guest:

    任务发布者和数据消费者。作为任务发布者，Guest需要提供训练任务的标注样本（如用户是否违约）供监督学习的算法使用。作为消费者，Guest接收来自Host模型的局部预测结果，同时将相应的梯度返回Host。一个Guest通常可以对应一至多个Host。

    Host:

    数据提供者。Host基于自身数据和本地模型进行预测，将预测结果发送至Guest节点，同时接收来自Guest节点的梯度返回。

    Abiter:

    训练协调者，分别接收来自Guest和Host的梯度，将优化后的参数返回对应节点。

    在实际应用中，由于数据特征和样本的覆盖往往存在差异，因而对应的训练模式和各角色之间的协作方式亦不尽相同，大致可以分为以下两类：

    1. Homo模式

    对应前文中的场景一。在此模式下，由于Guest和Host持有的数据特征基本一致，因而作为对等的角色参与训练。此模式成立的一个必要前提是，Host亦拥有自己的标注样本。由于此时Host不再需要来自Guest的梯度反馈，因而两者之间并不进行通讯。 

Home 模式

    2. Hetero模式

    对应前文中的场景二。在此模式下，由于Guest和Host的共同特征较小，需要使用双方特征的并集进行训练，样本标注则由Guest单方面提供。   

Hetero 模式