联手VMware，我们将联邦学习全球首个工业级开源框架FATE送上了云平台

原创

于 2019-11-15 16:57:53 发布 · 8.1k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#联邦学习 #FATE #开源框架 #云平台 #vmware

FATE v1.1版本发布，联合VMware推出KubeFATE，实现FATE在云平台的容器化部署。新版本提供横向联邦学习通用算法框架，增加DNN、回归等算法，支持多方纵向联邦建模，强化联邦学习建模体验。FATEFlow、FATEBoard和FATEServing也在功能和性能上得到提升，简化联邦学习的使用和管理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

随着用户数据安全和隐私保护相关政策相继出台，企业在给用户提供更好的创新服务时也面临着数据安全和用户隐私的问题。而联邦学习则能够帮助企业在符合数据安全和政策法规的前提下，持续更好地输出创新服务，提升服务质量。FATE作为联邦学习全球首个工业级开源框架，支持联邦学习架构体系，为机器学习、深度学习、迁移学习提供了高性能联邦学习机制，FATE本身还支持多种多方安全计算协议，如同态加密、秘密共享、哈希散列等，具有友好的跨域交互信息管理方案。

10月31日，FATE v1.1版本正式发布。在这个版本中，FATE联合VMware中国研发开放创新中心云原生实验室的团队一起搞了个“大事”——发布了KubeFATE项目，通过把FATE的所有组件用容器的形式封装，实现了使用Docker Compose或Kubernetes（Helm Charts）来部署。现代应用以DevOps方式开发，基于容器部署应用的优势相当明显，应用不仅可以无差别地运行在支持容器的平台上，还可以按需灵活地实现多实例水平扩展。

该项目现已发布在GitHub，点此可前往进一步了解

目前主流的云平台，如国外的AWS，Azure，国内的阿里云、腾讯云等，都有基于容器和Kubernetes的云原生服务，使得容器应用的部署和运行已经标准化和商品化。通过KubeFATE项目，开发者可以轻松地在公有云或私有云中部署和使用FATE项目。
在这里插入图片描述
另外，本次FATE v1.1版本在算法和功能基础了进行重大升级和提升：不仅上线了横向联邦学习通用算法框架，增加了DNN、回归等多个联邦算法，并开始支持多方纵向联邦建模，支持spark引擎，支持FATEServing服务治理，支持secureboost在线预测等；1.1版本再一次提升了联邦学习建模体验，更丰富的功能、更全面的算法，同时帮助更多