报名 | 联邦学习进阶：FATE系统实践与联邦推荐算法

3 月 19 日，机器之心联合微众银行开设的公开课《联邦学习 FATE 入门与应用实战》 第四讲结课，VMware CTO 办公室资深研究员彭麟为大家介绍了使用 KubeFATE 部署生产环境的联邦学习 Kubernetes 集群。第四讲回顾视频：

下周，我们将迎来本系列公开课的第 5 讲和第 6 讲，详情如下：

公开课第5讲（附项目实践）

课程主题： FATE 整体架构介绍 与系统实践

课程时间： 3 月 24 日 20:00  主题演讲+项目实践+在线答疑

课程讲师： 曾纪策 微众银行人工智能部系统架构师

讲师简介： 联邦学习开源项目 FATE 工程研发负责人，曾主导业界领先的智能运维感知平台，推动人工智能在 Ops 领域的落地，加入微众前，在百度负责大规模流量分析调度系统，运维大数据平台等项目，在机器学习、大数据数据处理方面有丰富的实践经验。

课程摘要： FATE 作为一个面向生产环境的联邦学习框架，在系统架构方面，FATE 支持灵活的算法流、高弹性作业调度、分布式存储、高性能计算、跨站点传输以及高性能在线推理，包含了机器学习生命周期中诸如数据处理、模型训练、模型管理、在线推理等绝大部分功能。本次课程将介绍 FATE 整体架构、系统关键数据流以及如何实践

实践内容：

• FATE 整体架构介绍

• 端到端的联邦学习 Pipeline 介绍与实现

• 高可用高性能联邦学习在线推理服务

• 完整的机器学习生命周期实践

课前准备：

• python2.7 环境

• fate 代码

• 可运行的 fate 环境，不限制版本，Standalone、Cluster 等版本均可

• 实践部分会涉及一般命名操作

公开课第6讲

课程主题： 联邦推荐算法及其应用

课程时间： 3 月 26 日 20:00 主题讲解+在线答疑

课程讲师： 谭奔 微众银行人工智能部高级研究员

讲师简介： 博士毕业于香港科技大学，主要研究方向为迁移学习、推荐系统、机器学习等，目前在微众银行人工智能部门负责推荐算法研发工作，曾就职于腾讯，负责广告转化率预估、商品推荐等工作。在 KDD、AAAI、SDM、TIST 等国际学术期刊会议上发表论文 10 余篇，多次在国际数据挖掘大赛中名列前茅。

课程摘要： 课程主要介绍联邦推荐系统背景、联邦推荐系统分类以及现有工作、联邦推荐算法实现和联邦推荐在新闻推荐的应用。

第3课精选问答

在每期课程的 QA 环节中，有一些问题被广泛提到并且很有价值，所以我们进行了精选与编辑，供大家参考。以下为第 3 课问答精选（第 2 课主题为联邦学习 FATE 算法模块梳理及建模演示）：

Q：请问稀疏数据 input 都有哪些？

我们现在主要支持的是两种，tag 和 tag:value，比如说我这个人是不是有车、有房、是男是女等等，tag:value 就是说比如说年龄:40，身高:1.6 米等等。

Q：union 是做什么？针对横向联邦吗？

不是，union 是一个单边的组件，它只是把两个组件输出的数据合并起来而已，就只干这一个事情。

Q：预测的结果在哪里看？仅 guest 方持有吗？

对，只有 guest 方持有，在纵向联邦当中是这样的。对于横向联邦，每一方都有自己的模型，一般来讲在横向的模块当中是不需要加密的，但是横向 lr 我们是提供了对 host 加密的模型计算方法。这种情况下，Host 方是拿不到这个模型的。

Q：预处理及特征工程可以介绍一下么？

目前 FATE 实现的特征工程组件包括采样、联邦特征分箱，联邦特征选择、特征归一化、onehot 编码等等。具体的内容，在 github 上有详细的文档介绍：https://github.com/FederatedAI/FATE/tree/master/federatedml/feature

Q：如何对数据质量进行评估？

在建模的时候，FATE 提供了一个 local_base 的组件，可以使用本地的数据建模，从而和联邦以后的建模效果进行比对。除此以外，还可以看看交集的数量，求对方特征的 iv 值进行比较等等方式。

Q：如果没有同态加密的，联邦和分布式有什么区别？

这个区别还是挺大的。分布式是你自己的的集群，你自己可以随便访问数据，但联邦学习即使没有用到同态加密，比如说只用了安全聚合的方式，你也是 access 不到别人的数据的，对于 arbiter 来说，只能得到最终所有模型聚合的和。

第 4 课的问答精选正在整理中，详情请关注公开课专栏更新，点击 阅读原文 即可跳转。

如何加入

添加机器之心小助手（syncedai6），备注FATE，加入《联邦学习FATE入门与应用实战》课程学习。主题讲解、项目实践、在线答疑，联邦学习从零入门。