干货 | 《联邦学习FATE入门与应用实战》第六课直播回顾！课件详情看这里

​FATE是全球首个工业级的联邦学习开源框架，旨在提供安全的计算框架来支持联邦 AI 生态，其在实践生产中有着丰富的应用。

 

这个3月，微众银行与VMware以及机器之心联合开展了主题为《联邦学习FATE入门与应用实战》的课程，用4周6节课的时间帮助大家在较短周期内完成联邦学习从学到用的全过程。

 

 

以上为第六期课程《联邦学习推荐算法及其应用》回顾，已在 3 月 26日由 微众银行人工智能部高级研究员 谭奔为大家完成分享。

 

 

第 6 课精选问答

 

1.在纵向联邦因子分解机中，数据提供方输出预估结果会泄漏信息吗？

我想这里泄露是指，数据提供方输出部分预估结果过程中，他的原始数据是否会被其他参与方或者被第三方服务器反推。这里信息泄露是不存在的。

首先在模型训练过程中，各方都是在加密环境下进行，然后各方基于自己的特征进行建模，拥有自己的模型参数并保留在本地，双方都是不知道对方模型参数的内容，另外发送给对方的预估值是模型参数和特征的乘积和，在特征交叉的场景下，特征维度和参数个数非常大，可能是上千万，所以这个预估值是几千万个数字乘积汇总成一个值，然后传送给对方。对方想要从这个值推出它的原始数据是不可能的。所以输出预估结果不存在隐私泄露的风险。

 

2.目前只支持两方的联邦吗？可以拓展到更多方吗？

可以的，在这个技术分享中，我们为了将问题简化，更注重在算法逻辑的介绍，我们把联邦参与数量限制在两个进行讲解。其实它是可以非常简单的拓展到多方的。比如说以横向矩阵分解为例子，我们的server可以分别接收来自很多方的user profile梯度，进行汇总，然后再发送回去。 

 

3、后续会有哪些算法的支持？

目前我们支持了矩阵分解，以及矩阵分解的多个变种，还有联邦因子分解机。接下来我们会支持基于深度学习的推荐算法。

 

4、有联邦推荐和普通推荐的效果数据吗？

有。联邦推荐能够联合多方数据，在保护各方数据安全和用户隐私的情况下，构建新的推荐系统，提升推荐效果。我们会比较新的联邦推荐系统和单个推荐系统的效果，它的提升非常明显。

首先在刚才的demo中有个直观的比较结果。对同一个用户，联邦推荐系统对item的排序结果相比普通推荐系统有很大变化。

另外在实际应用场景中，比如我们刚提到的内容推荐，我们分流量做A/B test，可以看到联邦推荐的效果提升非常大。

 

5、user profile初始化最后共享同个user profile吗？

对的，在横向联邦推荐系统中，他们有大量相同用户，item不一样，在这个场景中, user profile是共享的。

 

 

以下为第六期课程的演讲课件

希望各位能有所收获

 

欢迎前往GitHub Stars我们

第一时间查看新版本

 

作为一个开源社区，我们也欢迎社会各行业领域人士加入社区建设，共同打造更好的联邦学习开源框架。如对FATE有任何想法、建议、意见或其他想咨询的，欢迎扫描下方二维码，添加FATE小助手进行沟通。