Federatedml

联邦机器学习

Federatedml模块包括许多常见机器学习算法联邦化实现。所有模块均采用去耦的模块化方法开发，以增强模块的可扩展性。具体来说，我们提供：

1. 联邦统计: 包括隐私交集计算，并集计算，皮尔逊系数等
2. 联邦特征工程：包括联邦采样，联邦特征分箱，联邦特征选择等。
3. 联邦机器学习算法：包括横向和纵向的联邦LR, GBDT， DNN，迁移学习等
4. 模型评估：提供对二分类，多分类，回归评估，联邦和单边对比评估
5. 安全协议：提供了多种安全协议，以进行更安全的多方交互计算。

Figure 1： Federated Machine Learning Framework

算法清单

算法清单

算法	模块名	描述	数据输入	数据输出	模型输入	模型输出
`DataIO`_	DataIO	该组件通常是建模任务的第一个组件。 它将用户上传的数据转换为Instance对象，该对象可用于以下组件。	DTable，值为原始数据	转换后的数据表，值为在 `federatedml/feature/instance.py ` 中定义的Data Instance的实例
`Intersect`_	Intersection	计算两方的相交数据集，而不会泄漏任何差异数据集的信息。主要用于纵向任务。	DTable	两方DTable中相交的部分
`Federated Sampling`_	FederatedSample	对数据进行联邦采样，使得数据分布在各方之间变得平衡。这一模块同时支持单机和集群版本。	DTable	采样后的数据，同时支持随机采样和分层采样
`Feature Scale`_	FeatureScale	特征归一化和标准化。	DTable，其值为instance	转换后的DTable	变换系数，例如最小值/最大值，平均值/标准差
`Hetero Feature Binning`_	Hetero Feature Binning	使用分箱的输入数据，计算每个列的iv和woe，并根据合并后的信息转换数据。	DTable，在guest中有标签y，在host中没有标签y	转换后的DTable		每列的iv/woe，分裂点，事件计数，非事件计数等
`OneHot Encoder`_	OneHotEncoder	将一列转换为One-Hot格式。	数据输入：DTable	转换了带有新列名的DTable		原始列名和特征值到新列名的映射
`Hetero Feature Selection`_	HeteroFeatureSelection	提供多种类型的filter。每个filter都可以根据用户配置选择列。	DTable	转换的DTable具有新的header和已过滤的数据实例	模型输入如果使用iv filters，则需要hetero_binning模型	每列是否留下
`Union`_	Union	将多个数据表合并成一个。	DTables	多个Dtables合并后的Dtable
`Hetero-LR`_	HeteroLR	通过多方构建纵向逻辑回归模块。	DTable			Logistic回归模型
`Local Baseline`_	LocalBaseline	使用本地数据运行sklearn Logistic回归模型。	DTable			Logistic回归
`Hetero-LinR`_	HeteroLinR	通过多方建立纵向线性回归模块。	DTable			线性回归模型
`Hetero-Poisson`_	HeteroPoisson	通过多方构建纵向泊松回归模块。	DTable			泊松回归模型
`Homo-LR`_	HomoLR	通过多方构建横向逻辑回归模块。	DTable			Logistic回归模型
`Homo-NN`_	HomoNN	通过多方构建横向神经网络模块。	DTable			神经网络模型
`Hetero Secure Boosting`_	HeteroSecureBoost	通过多方构建纵向Secure Boost模块。	DTable，其值为instance			SecureBoost模型，由模型本身和模型参数组成
`Evaluation`_	Evaluation	为用户输出模型评估指标。
`Hetero Pearson`_	HeteroPearson	计算来自不同方的特征的Pearson相关系数。	DTable
`Hetero-NN`_	HeteroNN	构建纵向神经网络模块。	DTable			纵向神经网络模型
`Homo Secure Boosting`_	HomoSecureBoost	通过多方构建横向Secure Boost模块	DTable, 其值为instance			SecureBoost模型，由模型本身和模型参数组成