联邦学习之纵向线性回归分析1，背景介绍A,B 双方利用纵向联邦算法共同训练线性回归模型，B 方拥有标签 y 为 active party，A为只有标签为 passive party。C为 Arbiter，一个中立的第三方。（Fate 的官方实现上并没有横向线性回归的例子）Qestion 1：host 没有标签 y 如何参与训练更新模型？需要预先知道的是，线性回归中我们的模型更新公式为：θj:=θj

纵向联邦学习中的逻辑回归方案1，传统机器学习里的LR计算：y′=σ（wx）y^\prime=σ（wx）y′=σ（wx）。w为模型；目标：输入x得到输出。如何训练w：w:=w−g,其中g=(y′−y)xw:=w-g,其中g=(y^\prime-y)xw:=w−g,其中g=(y′−y)x如何停止：设置迭代次数和loss收敛阈值。2，纵向联邦里的LR联邦学习里首先对标签{0,1}改动为{1，-1}。然后

隐私计算概念及应用介绍隐私计算的核心理念是：**”数据可用不可见，数据不动模型动。“**通过隐私计算技术，打通数据孤岛，释放数据价值，为政府，企业，个人带来便利。按照目前的市场技术，隐私计算技术主要有三个方向：联邦学习，安全多方计算和可信计算。（差分隐私作为一种数据处理方式也纳入其中）1，联邦学习联邦学习是一种分布式机器学习技术和系统，包括两个或多个参与方，这些参与方通过安全的算法协议进行联合机器

XGBoost算法1，算法简介XGBoost(Extreme Gradient Boosting),即一种高效的梯度提升决策树算法。他在原有的GBDT基础上进行了改进，使得模型效果得到大大提升。作为一种前向加法模型，他的核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差 并将所有的结

FATE入门案例——纵向secureboost模型0，demo说明使用的hetero_secureboost案例，角色及数据：(1) guest: breast_hetero_guest.csv (2) host: breast_hetero_host.csv。参考来源：https://github.com/FederatedAI/FATE/tree/master/examples/dsl/v2/

从零实现横向逻辑回归联邦学算法本篇教程是一个从零实现横向联邦的过程，整个环节包括：数据处理数据上传模型训练模型预测如果读者刚开始接触 FATE，建议先把官方的 demo 跑一下，比如笔者上一篇的教程就是一个纵向 SecureBoost 的案例。0，环境准备这里的实验环境是单机版的 FATE，安装参考官方文档FATE单机部署指南（建议 Docker 安装）。同时你还应该安装 fate-client

隐私计算概念及应用介绍隐私计算的核心理念是：**”数据可用不可见，数据不动模型动。“**通过隐私计算技术，打通数据孤岛，释放数据价值，为政府，企业，个人带来便利。按照目前的市场技术，隐私计算技术主要有三个方向：联邦学习，安全多方计算和可信计算。（差分隐私作为一种数据处理方式也纳入其中）1，联邦学习联邦学习是一种分布式机器学习技术和系统，包括两个或多个参与方，这些参与方通过安全的算法协议进行联合机器

XGBoost算法1，算法简介XGBoost(Extreme Gradient Boosting),即一种高效的梯度提升决策树算法。他在原有的GBDT基础上进行了改进，使得模型效果得到大大提升。作为一种前向加法模型，他的核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差 并将所有的结

XGBoost算法1，算法简介XGBoost(Extreme Gradient Boosting),即一种高效的梯度提升决策树算法。他在原有的GBDT基础上进行了改进，使得模型效果得到大大提升。作为一种前向加法模型，他的核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差 并将所有的结

隐私计算概念及应用介绍隐私计算的核心理念是：**”数据可用不可见，数据不动模型动。“**通过隐私计算技术，打通数据孤岛，释放数据价值，为政府，企业，个人带来便利。按照目前的市场技术，隐私计算技术主要有三个方向：联邦学习，安全多方计算和可信计算。（差分隐私作为一种数据处理方式也纳入其中）1，联邦学习联邦学习是一种分布式机器学习技术和系统，包括两个或多个参与方，这些参与方通过安全的算法协议进行联合机器