FederatedML：訓練稀疏數(shù)據(jù)效率提升，內(nèi)存消耗再優(yōu)化
除聯(lián)邦推薦及KubeFATE的重點更新外，新版本針對FederatedML也做了進一步提升，在1.3中，縱向聯(lián)邦廣義線性模型(Hetero-LR、Hetero-LinR、Hetero-PoissonR)開始支持稀疏數(shù)據(jù)訓練，開發(fā)者在訓練稀疏數(shù)據(jù)時，能明顯感到效率提升，內(nèi)存消耗減少。解決分箱中32M限制，也使得特征分箱支持更高維度和更多樣本的數(shù)據(jù)。縱向SecureBoost 梯度直方圖32M限制的解決，讓FATE可以支持更高維度特征進行secureboost的訓練。
總的來說，1.3版本對FATE功能性及實踐應用價值進行了強化，聯(lián)邦推薦算法子模塊FederatedRec的添加，對于用戶而言，最明顯的益處在于可以利用聯(lián)邦推薦來提升自己算法的預測效果和產(chǎn)品的分發(fā)效率，使推薦服務的質(zhì)量更上一個臺階。這對于第一方數(shù)據(jù)不夠豐富，或者在業(yè)務的初始時期數(shù)據(jù)積累較少的用戶方，是非常有幫助的。而KubeFATE也開啟了FATE在生產(chǎn)環(huán)境，尤其是云原生環(huán)境上最優(yōu)化管理使用的功能更新探索之路。后續(xù)，微眾銀行也將和VMware進一步合作，推出基于FATE的多方管理新項目。
關于FATE：
FATE（Federated AI Technology Enabler）是微眾銀行自主研發(fā)并開源的全球首個工業(yè)級聯(lián)邦學習框架，有效幫助多個機構(gòu)在滿足用戶隱私保護、數(shù)據(jù)安全和政府法規(guī)的前提下，進行多方數(shù)據(jù)使用和聯(lián)合建模。它提供了一個安全的計算框架以支持聯(lián)邦學習算法，實現(xiàn)了同態(tài)加密和多方計算（MPC）的安全計算協(xié)議，并支持聯(lián)邦學習架構(gòu)，其內(nèi)置了多種機器學習算法的聯(lián)邦學習實現(xiàn)，在金融、零售、智慧城市等領域擁有一系列應用落地案例。
歡迎對聯(lián)邦學習有興趣的同仁一起貢獻代碼，提交 Issues 或者 Pull Requests。詳情可查閱 FATE官網(wǎng)項目貢獻者指南：https://ai.webankcdn.net/scvm/html/1579237932478.html
如有疑問，歡迎留言交流。也可以添加FATE助手：FATEZS001，進一步交流。
