「AI開發者成長計劃」首期公開課由機器之心與微眾銀行聯合開設，主題為《聯邦學習FATE入門與應用實戰》，特邀合作伙伴 VMware 也將參與分享。 公開課為期4周，共6期課程 ，設定主題分享、專案實踐、線上答疑等環節，從零入門聯邦學習。
整體學習計劃與加入方式請檢視：《聯邦學習FATE入門與應用實戰》公開課上線！
3月5日，在《聯邦學習FATE入門與應用實戰》第一講中，微眾銀行人工智慧部高階研究員馬國強帶來了《聯邦學習技術介紹、應用和FATE開源框架 》主題分享，詳細介紹了聯邦學習演算法的概念、應用、以及FATE開源框架介紹和進展，影片回放如下：
第一講精選問答
在第一講的QA環節中，馬國強講師回答了小夥伴們的很多疑問，其中有些問題被大家廣泛提到，所以我們再次做了精選與編輯，供大家參考。
問題1：現在的FATE版本支援動態加入和退出嗎？
目前FATE是還沒支援這個機制，我們之前有考慮過這個問題，類似於在移動端的應用。我們後續會繼續評估可行性並加入到我們的需求列表裡面。
問題2：win下有支援的計劃嗎？
目前來說我們還沒有在windows上直接支援的計劃，有一些包在windows上使用存在問題，會有些坑，另外在生產中的穩定性也差一點。
問題3：橫向聯邦學習的同態加密過程是怎樣的？
我們目前在橫向聯邦裡面除橫向LR外並沒有使用同態加密技術，或者說同態加密不是核心，我們主要使用的是FedAvg和Secure-Aggregation，本質上是使用隨機噪聲的思想，參與者之間兩兩產生噪聲，在server端進行抵消。 另外橫向方面同態加密用得比較少，像dp（查分隱私）和mpc的方案會更常用。
問題4：秘密共享和SPDZ是用在橫向還是縱向裡？
目前使用在縱向Pearson相關性係數計算裡面，對於SPDZ，目前來說我們主要支援兩方，MPC在多方的方案上感覺有點問題，包括我們在調研pysyft的時候，發現多方也存在問題。
問題5：訓練一個標準模型需要多久？
和具體演算法有關，另外和資料樣本量也有關。在我們的測試環境和機器測試中，聯邦和非聯邦有數十倍到幾百倍的差距，但也不會差的特別大，因為縱向聯邦裡面耗時的主要是同態加密，對於橫向聯邦，因為使用FedAvg機制，其實是比較快的。
問題6：secureboost訓練比開源慢多少？
SecureBoost推薦大家用另一種同態加密方法，仿射變換(IterativeAffine)，這是我們第一個contributor貢獻的，這個方法可以讓你有更佳體驗。在訓練方面，它支援更多資料，訓練速度快了很多，對記憶體的消耗也少很多。在我們測試中，比如單機版，跟xgboost差幾十倍是有可能的。SecureBoost影響速度的主要是特徵的維度，特徵維度比較低的話，差距反而沒那麼大。特徵維度增加的時候，計算梯度直方圖，同態加密的加法，是有耗時的，平時看不出，是因為單獨加密一個數，耗時是比加法多很多，但是統計梯度直方圖的時候，加法的時間消耗就會體現出來。
問題7：縱向如何做到特徵對齊？
其實在我們的分享中有介紹：透過隱私保護交集(PSI)技術求出共同樣本。大家如果想對PSI有更多瞭解，可以上網搜一下，在我們的FATE下也有一些說明，FATE主要實現的是RSA和雜湊的方案，另外還有其他的方案，比如說像OT或者Bloom Filter。
問題8：聯邦學習如何應對資料孤島？
聯邦學習就是為了解決資料孤島而存在的。我們透過剛剛的分享可以看到，透過聯邦學習演算法，它的效果跟中心化學習的效果是一致的，所以這個問題自然就不存在了。
問題9：未來會考慮用全同態做技術路線嗎？
全同態加密存在一個問題，效率低。當然它是很方便的，因為全同態支援各種操作，像我們用的加法同態加密，它只支援加法和數乘。但是全同態的效率上不去，所以我們目前還沒有規劃這一塊。全同態的效率和半同態相比，有數量級的差距。
大家如有更多疑問，也歡迎在評論區留言討論，我們也會定期邀請講師在評論區答疑，並持續將精選問答收錄到本篇文章的正文內容中。