横向联邦学习
对于相同特征的样本参与方实现综合运算,利用分布于各方的同构进行机器学习建模,适用于业务相似的场景,通过提升样本数量达到训练模型效果的提升
对于相同特征的样本参与方实现综合运算,利用分布于各方的同构进行机器学习建模,适用于业务相似的场景,通过提升样本数量达到训练模型效果的提升
对于样本用户重合度高、特征互补的数据,利用梯度下降等技术,通过丰富样本特征维度,实现机器学习模型优化,适用于跨行业跨机构的数据联合建模
对于无法满足横向与纵向条件的数据,用户和特征重叠都较少,可采用迁移学习技术,建立适用更广泛的共享机器学习模型
拥有自动建模功能,支持多种机器学习和深度学习的联邦学习训练和模型部署,用户极易上手
对训练状态和训练效果的全方位监控,用户对训练进程一目了然
支持多种数据库的接入,支持有协调方和去中心化版本,灵活进行私有化部署
通过联邦学习特有的算法保证数据不出本地,共享数据最小化,通过加密协议确保数据交互的安全性