联邦学习

联邦学习分类

• 横向联邦学习

（图片源于论文Federated Machine Learning: Concept and Applications）

每一行为一个样本sample，每一列为一个特征feture，有些数据集包含标签label。

横向联邦学习适用于样本特征相似性大，但是用户数据重叠部分较小的情况。例如在金融领域，不同地区的银行，他们的用户数据重叠较少，但是用户涉及到的业务几乎类型一样。

• 纵向联邦学习

   

（图片源于论文Federated Machine Learning: Concept and Applications）

每一行为一个样本sample，每一列为一个特征feture，有些数据集包含标签label。

纵向联邦学习适用于样本用户数据集重叠部分较大，但是样本用户特征重叠部分较小的情况。例如在同一地区，一家银行和一家商场，他们涉及到的用户几乎为其所在地的用户，所以重叠部分较大，但是银行涉及到的用户信息为存款金额等，但是商场涉及到的用户信息为用户的消费金额，购买物品品牌等信息，二者涉及到的用户重叠部分较大，但是涉及到的用户数据的特征相似性较低。

• 联邦迁移学习

（图片源于论文Federated Machine Learning: Concept and Applications）

联邦迁移学习适用于用户数据集重叠部分较小，且用户数据特征相似性也较低的情况。例如，两个不同城市，城市A中的银行和城市B中的商场，由于是两个不同的城市，其样本中涉及到的用户几乎为两个不同城市的人，交集较小。又因为一个是城市，一个是商场，两个数据集中的特征相似性较低，几乎为不同的用户特征。

联邦学习致力于在各个部门不共享各自数据的前提下，共同建立模型。

参考论文：Federated Machine Learning: Concept and Applications