一、什么是安全聯邦學習-工作流模式

功能介紹：通過工作流的模式，在原始數據不出域的前提下，通過交換各個參與方的算法訓練的中間結果梯度、參數信息，或完全在密文條件下進行計算，從而發揮參與多方數據樣本更豐富、更全面的優勢，得出更優模型。

安全聯邦學習，分為橫向安全聯邦學習、縱向安全聯邦學習。其中，縱向安全聯邦學習，聯合多個參與者的共同樣本的不同數據特征進行安全聯邦學習，即各個參與者的訓練數據是縱向劃分的。橫向安全聯邦學習，聯合多個參與者的具有相同特征的多行樣本進行安全聯邦學習，即各個參與者的訓練數據是橫向劃分的。

二、哪些場景適合用安全聯邦學習？

適用場景：縱向安全聯邦學習，適用于參與者訓練樣本ID重疊較多，而數據特征重疊較少的情況，例如某銀行和某電商平臺，分別擁有一部分客戶數據，擁有的客戶特征不一樣，銀行擁有客戶的金融信用數據，電商擁有客戶的電商消費數據，期望聯合兩方數據訓練精準營銷模型，則適合使用縱向安全聯邦學習。橫向安全聯邦學習，適用于參與者的數據特征重疊較多，而樣本ID重疊較少的情況，例如兩家銀行，分別擁有一部分客戶數據，擁有的客戶特征相似，但各自數據偏少，期望聯合兩方數據訓練共同訓練評分卡模型，則適合使用橫向安全聯邦學習。

三、安全聯邦學習已支持的能力

四、如何進行安全聯邦學習

以內置模板為例：

1、聯邦數據輸入：

收集和準備原始數據，包括數據輸入和虛擬關聯，使得用戶能夠在形式上以單機的方式使用聯邦學習雙方的數據。

note:所有的數據均保存在持有方本地，本身絕對保密。虛擬關聯僅是在形式上模擬為同一份數據，以方便用戶搭建順利。

2、數據拆分

將數據拆分為訓練集和測試集，用于驗證模型的各項指標數據。

note：在模板中，選擇了拆分比例80%，即80%數據用于訓練（輸出表1），20%數據用于測試（輸出表2）。用戶可自行調整需求。

3、訓練側特征工程

選擇和提取有用的特征，包括特征選擇、特征變換、特征抽取和特征組合等。其中，對于Category特征和Numeric特征，均有對應的處理方案，詳見組件說明。特征工程的配置可輸出，供預測和評估流程使用。

4、測試側特征工程

選擇和提取有用的特征，包括特征選擇、特征變換、特征抽取和特征組合等。其中，對于Category特征和Numeric特征，均有對應的處理方案，詳見組件說明。特征工程的配置由輸入的配置文件確定，用戶也可自行設定。

5、模型訓練和預測

選擇合適的算法和模型，訓練模型并進行調參和優化。目前聯邦學習模型可以選擇XGBoost、Logistic Regression、DNN等。

6、模型評估

使用各種評估指標和技術對模型進行評估，用戶可以自行使用交叉驗證等方法，測試不同數據集的混淆矩陣、AUC、KS等各項指標。