《表2 横向联邦学习:上海某保险公司B数据示例》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《联邦学习模型在涉密数据处理中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

以两个数据孤岛为例，用矩形（D）来表示每一个数据拥有方的数据集，矩形的每一行代表一个对象ID（i），每一列代表当前ID的某一种特征（x），根据特征预测每个ID的标签（y）。以不同城市的两家保险公司A和B为例，他们分别具有客户集（i1，i2…）和特征集（x1，x2…），不难发现，由于保险公司在不同的两个城市经营，因此他们的客户重叠较少；但是，由于保险公司所经营的业务类型相似，他们的客户特征具有较多的相同字段，如表1和表2所示，北京和上海的两家保险公司虽然客户没有交集（i），但是客户特征（x）交集较多，例如“性别”、“职业”、“年龄”等；并且两家公司数据都包含标签（y），即“是否购买意外伤害险”。在这种情况下，用特征重叠的A公司和B公司的所有客户信息作为训练数据，进行联邦学习，并将这种联邦学习称为“横向联邦学习”，如图2所示，红色虚线标识了训练数据范围。横向联邦学习模型的形式化定义如公式（1）所示[8]，这种模型可以解决单边数据量不够，造成学习效果不理想的问题。