首先，联邦学习是一种框架，是为了解决机器学习时各个数据来源之间的壁垒而建立的一种框架。同时也知足了各个数据的拥有者隐私性保护和相关政府法规的要求。web
2.1：加密样本对齐阶段：因为三家企业的用户群体并不是彻底重合，模型采用基于加密的用户样本对齐技术，目的是为了在 A 、B和D 不公开各自数据的前提下确认各方的共同拥有的用户，并且不暴露不互相重叠的用户，最终以便联合这些用户的特征进行模型的建立。安全
2.2：加密模型训练阶段在肯定共有用户群体后，就能够利用这些数据训练机器学习的模型。为了保证训练过程当中数据的保密性，须要借助第三方协做者 C 进行加密训练。以线性回归模型为例，训练过程可分为如下 4 步：
第1步：协做者 C 把公钥分发给 A 、B和D，用以对训练过程当中须要交换的数据进行加密，注意传输的数据是模型的计算中间结果，不涉及用户隐私，固然虽然传输的数据是加密的，但模型训练的时候是要用私钥解密的。
第2步：A 、B和D 之间以加密形式（RSA加密，其实这是基于没有恶意用户的环境下的保护用户隐私方法）交互用于计算梯度的中间结果。关于中间结果？
例如：假设A样本上有n1和n2特征，B样本上有n3和n4特征以及标签f，模型为线性回归；首先，A根据当前模型计算每条记录的n1和n2线性组合的结果，B根据当前模型计算每条记录的n3和n4线性组合结果；而后A将结果加密（例如：RSA、同态加密等）后传给B，同时B将结果加密后传给A.备注：A、B和D一样执行以上操做。
第3步：A、B和D分别解密后，基于交互线性组合结果进行各自的梯度值计算和损失函数的检测，例如：B可基于接收的线性组合结果、标签Y等数据计算Loss、n3和n4的梯度，A接收后可计算Loss，n1和n2的梯度。
而后A、B和D分别将计算获得的梯度值加密后上传到C，C基于梯度值计算出模型的框架