準同型暗号化と秘密分散に基づくロジスティック回帰スキーム
0、前に書かれています
Fateがバージョン1.7.0にアップグレードした後、準同型暗号化が秘密分散と結婚する場合：リスク制御における安全な大規模スパースロジスティック回帰とアプリケーションであるAli2021KDDによる論文を実装しました。もちろん、彼はここでsigmod関数の最適化の変更などの特定の変更を行い、多項式近似を使用しませんでした。
この記事の主な目的は、FATEのサードパーティスキームを使用した場合と使用しない場合のロジスティック回帰のモデルの利点を比較することです。
1.シナリオ分析
論文の元のスキーム
：スパース行列の問題、中間値の秘密共有、モデルの分割など、論文には多くの革新があります。
運命の実装：
2.実験手順
この実験では、examples / dsl / v2の構成項目を使用して、乳房データセットでのLRのパフォーマンスをテストします。
制御されるいくつかのパラメーター：学習率0.15、max_iter30
サードパーティのLRを使用すると、プロセス全体に5分かかります47
サードパーティのLRがあり、プロセス全体に8分かかります18
3.実験的結論
- 異なるスキームでは、実験データから得られたモデル指標、モデルパラメータ、およびトレーニング時間が同じではないことがわかります。ここでは、ニーズに応じて適切なプランを選択できます。
4.補足
FateはBenchmark、Fate-TESTツールを使用して実行されるテストモジュールを提供します。
ベンチマークパフォーマンス：いくつかの特徴エンジニアリングを含む、HOSTパーティの特徴貢献を判断するため。
ベンチマークの品質：フェデレーションモデルと他のモデルの長所と短所を比較します。
参照リンク：
https://github.com/FederatedAI/FATE/blob/master/doc/federatedml_component/logistic_regression.md