<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Ethanb的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Ethanb</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Ethanb]]></copyright><item><title><![CDATA[联邦学习学习心得（3）——联邦学习FATE框架入门]]></title><link>https://blog.youkuaiyun.com/Ethanb/article/details/108561069</link><guid>https://blog.youkuaiyun.com/Ethanb/article/details/108561069</guid><author>Ethanb</author><pubDate>Sun, 20 Sep 2020 17:35:50 +0800</pubDate><description><![CDATA[联邦学习FATE框架入门

文章开始先附上github的仓库FATE
FATE的克隆和安装
首先我们从github上克隆FATE仓库。
git clone https://github.com/FederatedAI/FATE.git

最近新学会的一个方法，大大提升克隆的速度，亲测有效。
git clone https://github.com.cnpmjs.org/FederatedAI/FATE.git

安装过程请参考仓库中的Readme文档，本人是在Linux16.04上按照Native中的单机部]]></description><category></category></item><item><title><![CDATA[联邦学习学习心得（2）——纵、横向联邦学习的原理分析]]></title><link>https://blog.youkuaiyun.com/Ethanb/article/details/107944249</link><guid>https://blog.youkuaiyun.com/Ethanb/article/details/107944249</guid><author>Ethanb</author><pubDate>Wed, 12 Aug 2020 20:12:57 +0800</pubDate><description><![CDATA[联邦学习工作原理的具体分析
上篇学习心得简单介绍了联邦学习的诞生背景和基本知识，对于横向联邦学习和纵向联邦学习的具体工作原理只是简单说了一下，本篇心得就结合FATE框架中的LR算法来具体分析一下联邦学习。
纵向联邦学习
纵向联邦学习主要可以分为加密样本对齐和加密模型训练两个部分。
加密样本对齐
要求：
如何在不泄露非公共用户的情况下求出双方的公共用户

解决方案
RSA算法和哈希机制配合

首先，宏观上来说要想保证自己的数据不会被对方获取，A和B都需要针对数据采取只有自己了解的操作，以保证对方无法反推出数据]]></description><category></category></item><item><title><![CDATA[联邦学习学习心得（1）——联邦学习简介]]></title><link>https://blog.youkuaiyun.com/Ethanb/article/details/107921184</link><guid>https://blog.youkuaiyun.com/Ethanb/article/details/107921184</guid><author>Ethanb</author><pubDate>Mon, 10 Aug 2020 21:45:26 +0800</pubDate><description><![CDATA[联邦学习简介
背景
国际社会上对信息安全、个人隐私的问题越来越重视，各种相关的法案相继颁布，对私人数据的管理、监督、保护更加全面化、严格化、密集化。各个公司对各自的数据也越来越重视，作为资产不可能拿出来分享，这就造成了数据孤岛的现象。同时与传统的机器学习（machine learning）和深度学习（deep learning）方法相矛盾的是，传统的方法需要集合大量的数据才能训练出足够准确的模型。怎么样在保证自己的数据不被泄露的条件下，训练出满意的模型呢？联邦学习（federated learning）就此]]></description><category></category></item></channel></rss>