课程目标

联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。

了解联邦学习的算法分类，学习联邦学习的系统架构，平台环境，透过案例的分析让大家掌握联邦学习的理论和实际中的会遇到的阶段问题。

课程时长 

2天（6小时/天）

课程大纲 

一、联邦学习

FATE中的联邦学习算法

联邦学习算法分类

横向联邦学习

纵向联邦学习

迁移联邦学习

平台的安装和使用：Linux或Mac

Native部署:单机部署和集群部署

KubeFATE

JDK、Virtualenv、MySQL、Redis的使用

Docker

手动编译单机版本

从单机部署迁移到集群部署

配置文件

开发或者测试场景docker-compose

生产环境：Kubernetes

综合运行与测试

二、隐私计算

多方安全计算 MPC

秘密共享

不经意传输

混淆电路

同态加密

零知识证明

数据不充分的通路建立

加密样本对齐

加密模型训练

公钥私钥密码体系

差分隐私

交互式差分隐私保护框架

非交互式差分隐私保护框架

局部差分隐私

三、代码和案例实践：

1.     联邦学习解决传统机器学习的问题

2.     保险定价的策略指定

3.     小微企业信贷风险管理

4.     联邦学习在深度学习视觉领域的应用

5.     在线模型的更新和反馈