Federated Learning 分类 Federated Machine Learning: Concept and Applications 笔记

参考文献

• Federated Machine Learning: Concept and Applications
• 一些其他的网络资源

FL分类

• 分类标准：按照数据的分布进行分类

horizontal FL	Vertical FL	Federated Transfer Learning(FTL)
\(X_i\neq X_j, y_i\neq y_j,I_i=I_j,\forall D_i,D_j, i\neq j\)	\(X_i=X_j, y_i=y_j,I_i \neq I_j, \forall D_i,D_j, i\neq j\)	\(X_i\neq X_j, y_i\neq y_j,I_i \neq I_j, \forall D_i,D_j, i\neq j\)
两个本地的银行，有相似的features	本地的，一个是购物平台有你的购物记录，一个是银行，有你的存款消息，有共同的sample ID	一个是中国的购物平台，一个是美国银行的存款消息，feature也不像，用户也不一样
assumes honest participants and security against a honest-but-curious server	assumes honest-but-curious participants, 有时two parties， 会考虑STP(Semi-honest Third Party), SMC	typically involves two parties. 与Vertical Federated Learning类似。

• honest-but-curiou (passive) security : 假定服务器将遵循协议，但除此之外会尝试了解尽可能多的看到的信息。
• fully malicious (or active) security
• semi-honest

FL系统的架构

Horizontal FL

• 
• 由于assume the participants are honest wheras the server is honest-but-curious, therefore no leakage of information from any participants to the server is allowed.
• 通常有四步：
  • 参与者本地计算梯度，mask
  • server 执行安全合并（没有了解任何参与者的信息）
  • server把合并后的参数传回participants
  • 参与者根据加密的梯度分别更新模型
• 直到损失函数收敛
• 这个架构独立于具体的算法，所有参与者最后都会分享最终模型参数。

Vertical FL

• 

• assume the collaborator C is honest and does not collude with A or B, but party A and B are honest-but-curious to each other.

• PART 1: 加密样本对齐。确定双方共有用户，并且并不暴露不重叠的用户。

• PART 2: 加密模型训练。

  1. C创造公钥，发送给A和B。
  2. AB交换中间结果以计算梯度和损失函数。
  3. A和B计算加密的梯度和加密的损失函数，A，B额外对此加密，然后把加密的值发给C。
  4. C解密并将解密的梯度和损失函数传给A和B。A和B解密然后更新模型参数。

• 一个线性回归和同态加密的例子
  
  
  

FTL

• 与VFL类似。