《联邦学习FATE入门与应用实战》第1讲：联邦学习技术介绍、应用和FATE开源框架（视频回放与精选问答）

人工智能广泛应用在各个行业，相应开发者群体也变得丰富多样。他们往往来自不同专业，在不同领域不同场景下进行开发实践，这也造成了 AI 开发者人才的学习成本很高，在专业技能的学习之外还需要理解产业需求和应用场景。为此，机器之心发起「AI开发者成长计划」，联合人工智能领军企业共同制定主题课程和项目实践，帮助开发者在较短周期内完成从学到用的全过程。

「AI开发者成长计划」首期公开课由机器之心与微众银行联合开设，主题为《联邦学习FATE入门与应用实战》，特邀合作伙伴 VMware 也将参与分享。 公开课为期4周，共6期课程 ，设置主题分享、项目实践、在线答疑等环节，从零入门联邦学习。

整体学习计划与加入方式请查看：《联邦学习FATE入门与应用实战》公开课上线！

3月5日，在《联邦学习FATE入门与应用实战》第一讲中，微众银行人工智能部高级研究员马国强带来了《联邦学习技术介绍、应用和FATE开源框架 》主题分享，详细介绍了联邦学习算法的概念、应用、以及FATE开源框架介绍和进展，视频回放如下：

【联邦学习FATE课程第一期】联邦学习技术介绍,应用,FATE开源框架

第一讲精选问答：

在第一讲的QA环节中，马国强讲师回答了小伙伴们的很多疑问，其中有些问题被大家广泛提到，所以我们再次做了精选与编辑，供大家参考。

另外，大家如有更多疑问，也欢迎在评论区留言讨论，我们也会定期邀请讲师在评论区答疑，并持续将精选问答收录到本篇文章的正文内容中。

问题1：现在的FATE版本支持动态加入和退出吗？

目前FATE是还没支持这个机制，我们之前有考虑过这个问题，类似于在移动端的应用。我们后续会继续评估可行性并加入到我们的需求列表里面。

问题2：win下有支持的计划吗？

目前来说我们还没有在windows上直接支持的计划，有一些包在windows上使用存在问题，会有些坑，另外在生产中的稳定性也差一点。

问题3：横向联邦学习的同态加密过程是怎样的？

我们目前在横向联邦里面除横向LR外并没有使用同态加密技术，或者说同态加密不是核心，我们主要使用的是FedAvg和Secure-Aggregation，本质上是使用随机噪声的思想，参与者之间两两产生噪声，在server端进行抵消。 另外横向方面同态加密用得比较少，像dp（查分隐私）和mpc的方案会更常用。

问题4：秘密共享和SPDZ是用在横向还是纵向里？

目前使用在纵向Pearson相关性系数计算里面，对于SPDZ，目前来说我们主要支持两方，MPC在多方的方案上感觉有点问题，包括我们在调研pysyft的时候，发现多方也存在问题。

问题5：训练一个标准模型需要多久？

和具体算法有关，另外和数据样本量也有关。在我们的测试环境和机器测试中，联邦和非联邦有数十倍到几百倍的差距，但也不会差的特别大，因为纵向联邦里面耗时的主要是同态加密，对于横向联邦，因为使用FedAvg机制，其实是比较快的。

问题6：secureboost训练比开源慢多少？

SecureBoost推荐大家用另一种同态加密方法，仿射变换(IterativeAffine)，这是我们第一个contributor贡献的，这个方法可以让你有更佳体验。在训练方面，它支持更多数据，训练速度快了很多，对内存的消耗也少很多。在我们测试中，比如单机版，跟xgboost差几十倍是有可能的。SecureBoost影响速度的主要是特征的维度，特征维度比较低的话，差距反而没那么大。特征维度增加的时候，计算梯度直方图，同态加密的加法，是有耗时的，平时看不出，是因为单独加密一个数，耗时是比加法多很多，但是统计梯度直方图的时候，加法的时间消耗就会体现出来。

问题7：纵向如何做到特征对齐？

其实在我们的分享中有介绍：通过隐私保护交集(PSI)技术求出共同样本。大家如果想对PSI有更多了解，可以上网搜一下，在我们的FATE下也有一些说明，FATE主要实现的是RSA和哈希的方案，另外还有其他的方案，比如说像OT或者Bloom Filter。

问题8：联邦学习如何应对数据孤岛？

联邦学习就是为了解决数据孤岛而存在的。我们通过刚刚的分享可以看到，通过联邦学习算法，它的效果跟中心化学习的效果是一致的，所以这个问题自然就不存在了。

问题9：未来会考虑用全同态做技术路线吗？

全同态加密存在一个问题，效率低。当然它是很方便的，因为全同态支持各种操作，像我们用的加法同态加密，它只支持加法和数乘。但是全同态的效率上不去，所以我们目前还没有规划这一块。全同态的效率和半同态相比，有数量级的差距。