Skip to content

联邦机器学习

Federatedml模块包括许多常见机器学习算法联邦化实现。所有模块均采用去耦的模块化方法开发，以增强模块的可扩展性。具体来说，我们提供：

  1. 联邦统计: 包括隐私交集计算，并集计算
  2. 联邦特征工程：包括联邦采样，联邦特征分箱，联邦特征选择等。
  3. 联邦机器学习算法：包括横向和纵向的联邦LR, GBDT， DNN等
  4. 模型评估：提供对二分类，多分类，回归评估
  5. 安全协议：提供了多种安全协议，以进行更安全的多方交互计算。

算法清单

如需不通过FATE-Client直接调用算法模块，请查看此教程.

算法 模块名 描述 数据输入 数据输出 模型输入 模型输出
Reader 传递用户指定输入数据表给下游组件 output_data
PSI PSI 计算两方的相交数据集，而不会泄漏任何差异数据集的信息。主要用于纵向任务 input_data output_data
Sampling Sample 对数据进行联邦采样，使得数据分布在各方之间变得平衡。这一模块同时支持本地和联邦场景。 input_data output_data
Data Split DataSplit 将数据集切分成训练、验证、测试集。 input_data train_output_data, validate_output_data, test_output_data
Feature Scale FeatureScale 特征归一化和标准化。 train_data, test_data train_output_data, test_output_data input_model output_model
Data Statistics Statistics 计算各类统计指标。 input_data output_model
Hetero Feature Binning HeteroFeatureBinning 使用分箱的输入数据，计算每个列的iv和woe，并根据合并后的信息转换数据。 train_data, test_data train_output_data, test_output_data input_model output_model
Hetero Feature Selection HeteroFeatureSelection 提供多种类型的filter。每个filter都可以根据用户配置选择列。 train_data, test_data train_output_data, test_output_data input_models, input_model output_model
Coordinated-LR CoordinatedLR 通过多方构建纵向逻辑回归模块。 train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model output_model
Coordinated-LinR CoordinatedLinR 通过多方建立纵向线性回归模块 train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model output_model
Homo-LR HomoLR 通过多方构建横向逻辑回归模块。 train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model output_model
Homo-NN HomoNN 通过多方构建横向神经网络模块。 train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model output_model
Hetero-NN HeteroNN 通过多方构建纵向联邦神经网络模型。 train_data, validate_data, test_data train_data_output, predict_data_output train_model_input, predict_model_input train_model_output
Hetero Secure Boosting HeteroSecureBoost 通过多方构建纵向联邦梯度提升树模型。 train_data, test_data, cv_data train_data_output, test_data_output, cv_output_datas train_model_input, predict_model_input train_model_output
Evaluation Evaluation 评估二分类、多分类、回归等指标。 input_data
Union Union 将多个数据表合并成一个。 input_data output_data
SSHE-LR SSHELR 通过两方构建纵向逻辑回归模块。 train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model output_model
SSHE-LinR SSHELinR 通过两方构建纵向线性回归模块。 train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model output_model
算法 模块名 描述 样例 数据输入 数据输出 模型输入
-------------------------------------------------- ------------------------ -------------------------------------------- ------------------------------------------------------------------------------------ ----------------------------------------------- ----------------------------------------------------------- ----------------------------------------
Reader 传递用户指定输入数据表给下游组件 output_data
PSI PSI 计算两方的相交数据集，而不会泄漏任何差异数据集的信息。主要用于纵向任务 psi input_data output_data
Sampling Sample 对数据进行联邦采样，使得数据分布在各方之间变得平衡。这一模块同时支持本地和联邦场景。 sample input_data output_data
Data Split DataSplit 将数据集切分成训练、验证、测试集。 data split input_data train_output_data, validate_output_data, test_output_data
Feature Scale FeatureScale 特征归一化和标准化。 feature scale train_data, test_data train_output_data, test_output_data input_model
Data Statistics Statistics 计算各类统计指标。 statistics input_data
Hetero Feature Binning HeteroFeatureBinning 使用分箱的输入数据，计算每个列的iv和woe，并根据合并后的信息转换数据。 hetero feature binning train_data, test_data train_output_data, test_output_data input_model
Hetero Feature Selection HeteroFeatureSelection 提供多种类型的filter。每个filter都可以根据用户配置选择列。 hetero feature selection train_data, test_data train_output_data, test_output_data input_models, input_model
Coordinated-LR CoordinatedLR 通过多方构建纵向逻辑回归模块。 coordinated LR train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model
Coordinated-LinR CoordinatedLinR 通过多方建立纵向线性回归模块 coordinated LinR train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model
Homo-LR HomoLR 通过多方构建横向逻辑回归模块。 homo lr train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model
Homo-NN HomoNN 通过多方构建横向神经网络模块。 homo nn train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model
Hetero-NN HeteroNN 通过多方构建纵向联邦神经网络模型。 hetero nn train_data, validate_data, test_data train_data_output, predict_data_output train_model_input, predict_model_input
Hetero Secure Boosting HeteroSecureBoost 通过多方构建纵向联邦梯度提升树模型。 hetero secureboost train_data, test_data, cv_data train_data_output, test_data_output, cv_output_datas train_model_input, predict_model_input
Evaluation Evaluation 评估二分类、多分类、回归等指标。 evaluation input_data
Union Union 将多个数据表合并成一个。 union input_data_list output_data
SSHE-LR SSHELR 通过两方构建纵向逻辑回归模块。 SSHE LR train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model
SSHE-LinR SSHELinR 通过两方构建纵向线性回归模块。 SSHE LinR train_data, validate_data, test_data, cv_data train_output_data, test_output_data, cv_output_datas input_model, warm_start_model