联邦学习

联邦学习是一种加密的分布式机器学习技术，参与各方可以在不披露底层数据的前提，按照底层数据加密（混淆）形态下共建模型。

作为联邦学习领域第一个商用级开源项目，FATE为开发者提供所必须的多方协同建模工作流管理、加密机器学习工具库和并行计算基础设施抽象三层能力，同时提供了很多开箱即用的联邦学习算法和联邦迁移学习算法供开发者参考，极大简化了联盟AI开发的流程并降低了部署难度。

在国内，微众银行可以说是联邦学习领域的领头羊。

作者将FTL问题在一个隐私保护的环境下形式化，提供了一个用于解决现有FL方法无法应对的联邦学习问题的解决方案。

本文提出了联邦转移学习（FTL）来解决现有联邦学习方法的局限性，利用迁移学习为联邦学习框架下的样本和特征空间提供解决方案。

联邦学习在保护各参与方数据隐私性的同时保证了较好的模型训练效果，但是现有的方法忽略了以Non-IID方式收集每个节点上的数据的事实，从而导致节点之间的域迁移。

联邦学习是一种加密的分布式机器学习技术，参与各方可以在不披露底层数据的前提，按照底层数据加密（混淆）形态下共建模型。