基于同态加密和秘密共享的逻辑回归方案
0，写在前面
Fate升级1.7.0版本之后，实现了阿里2021KDD的一篇论文，When Homomorphic Encryption Marries Secret Sharing: Secure Large-Scale Sparse Logistic Regression and Applications in Risk Control。当然他这里做了一定的修改，比如sigmod函数优化那里的一个变化，没有采用多项式近似的方式。
本篇文章的主要目的是，对比FATE上逻辑回归无第三方方案和有第三方方案的模型效益。
1，方案分析
论文中原始方案：
论文中有许多创新点，比如稀疏矩阵问题，对中间值的秘密共享，模型的拆分等。
Fate上的实现：
2，实验过程
实验采用examples/dsl/v2下的配置项，测试了LR在breast数据集上的表现。
控制的一些参数：学习率0.15，max_iter30
有第三方LR，全过程耗时5分47
有第三方LR，全过程耗时8分18
3，实验结论
- 可以看到不同的方案，在实验数据上得到的模型指标、模型参数以及训练时长都不是一样的。这里就根据需要选取合适的方案了。
4，补充
Fate提供了Benchmark 测试模块，使用Fate-TEST工具完成。
Benchmark Performance：对HOST方的特征贡献度做评判，涉及到一些特征工程；
Benchmark quality：对比联邦模型和其他模型优劣。
参考链接：
https://github.com/FederatedAI/FATE/blob/master/doc/federatedml_component/logistic_regression.md