算法层组件

样本对齐组件

样本对齐组件通常用于纵向联邦学习，要求应包括：

a) 各方在不公开各自数据的前提下确认数据源的重叠样本；

b) 不暴露非重叠样本。

特征对齐组件

特征对齐组件通常用于横向联邦学习，要求应包括：a) 各方在不公开各自数据的前提下确认数据源的重叠特征属性；

b) 不暴露非重叠特征属性。

联合特征工程组件

联合特征工程的功能应包括：

a) 联合特征使用方案；

b) 联合特征获取方案；

c) 联合特征处理；

d) 联合特征监控。

注：由于不同联邦学习算法的应用对特征有不同的需求，故此组件应围绕具体的需求定制。

通用联邦学习算法组件

通用联邦学习算法组件包含联邦学习针对不同的应用场景、训练任务所需的各类基础算法，包括：

a) 联邦学习的逻辑回归，如纵向逻辑回归、横向逻辑回归等；

b) 联邦学习的决策树，如 GBDT 等；

c) 联邦迁移学习；

d) 联邦深度学习。

算法评估组件

算法评估组件包含对联邦学习算法效果的评估，包括：

a) 正确性评估；

b) 无损性评估；

c) 有效性评估；

d) 性能评估；

e) 安全性评估；

f) 参与方贡献评估。

领域自适应组件

领域自适应组件的目标是将分布在不同源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。