电影推荐网站开发,如何申请网站空间和域名,广州短视频网站开发,去外包公司的利与弊联邦学习的体系我们在前期介绍过#xff0c;这里我们简单回顾一下纵向联邦学习的定义#xff1a;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#xff0c;将数据集按照纵向 (即特征维度)切分#xff0c;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训… 联邦学习的体系我们在前期介绍过这里我们简单回顾一下纵向联邦学习的定义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将数据集按照纵向 (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训练。这种方法叫做纵向联邦学习。纵向联邦学习就是将这些不同特征在加密的状态下加以聚合以增强模型能力的联邦学习。目前逻辑回归模型树型结构模型和神经网络模型等众多机器学习模型已经逐渐被证实能够建立在这个联邦学习体系上本期我们详细介绍一下联邦学习中的逻辑回归算法模型。逻辑回归算法是这样的一个过程面对一个回归或者分类问题建立代价函数然后通过优化方法迭代求解出最优的模型参数然后测试验证我们这个求解的模型的好坏。Logistic回归虽然名字里带“回归”但是它实际上是一种分类方法主要用于两分类问题(即输出只有两种分别代表两个类别)。Logistic方法主要应用于研究某些事件发生的概率。因此逻辑回归模型是一种分类模型。现假设有一个二分类问题输出为y0或者1而线性回归模型zwTxb是个实数值因此我们希望有一个理想的阶跃函数来巧妙实现z值到0/1值的转化机器学习经常使用Sigmoid函数来实现这个目的y’1/1e-z。逻辑回归的优缺点有哪些优点1)速度快适合二分类问题2)简单易于理解直接看到各个特征的权重3)能容易地更新模型吸收新的数据。缺点对数据和场景的适应能力有局限性不如决策树算法适应性那么强。联邦学习体系的逻辑回归模型有很多解决方案。如FATE的方案是建立在第三方的基础上如下图所示百度提出的方案虽然避免了第三方但是经过我们的论证也存在数据/信息泄露问题。神谱科技的方案在设计当初就注意规避了第三方而且有效解决了数据/信息泄露问题这套方案是神谱科技自主创新并完成研发的去中心化的安全逻辑回归算法称为SeceumLR安全逻辑回归算法简要说明如下图所示。我们对SeceumLR算法进行了严格安全论证确保不会泄露参与各方的隐私数据/信息。上面是本期介绍联邦学习体系下的逻辑回归模型方案中涉及的密码学技术有很多其中最重要的技术是安全多方计算(Secure Multi-Party Computation-SMPC/MPC)下期我们主要介绍安全多方计算。
