近日，全球首個聯邦學習工業級開源框架FATE(Federated AI Technology Enabler)正式迎來了1.4新版本釋出。在這一版本中，FATE著重提升了使用者在真實建模中的體驗，橫向聯邦增加了對Secureboost樹演算法的支援，縱向聯邦廣義線性模型系列則增加了對基於AIC及BIC進行逐步迴歸模型選擇的全面支援，縱向聯邦分箱也新增了最優分箱方法，支援iv\gini\chi-square\ks，同時，作為FATE計算/儲存/通訊引擎的EggRoll也迎來了全新的2.0，穩定性、效能以及使用者體驗顯著提升。作為側重點在完善FATE可用性的這一版本，相信能為開發者帶來更為流暢的使用體驗。
該專案GitHub地址：https://github.com/FederatedAI/FATE
主要更新點介紹：
1. 橫向聯邦新增對Secureboost樹演算法的支援，開發者可以在使用者資料特徵相同的橫向場景下構建GBDT模型，自此，FATE框架中樹演算法得以進一步完善，現在FATE的樹演算法已可支援所有的聯邦場景；
2. 縱向聯邦廣義線性模型系列，現已全面支援基於AIC及BIC進行逐步迴歸模型選擇，在平衡線性模型引數量與效果的場景中，將會自動選取特徵組合，減少選取模型過程中人工操作次數，提升開發者的使用體驗；
3.縱向聯邦分箱支援最優分箱方法，支援iv\gini\chi-square\ks，開發者從這一版本起，就可以在縱向聯邦分箱中使用最優分箱方法了，特徵工程的分箱方法進一步豐富化，相信能讓開發者更直觀感受到FATE建模過程中的實用性；
4. AI生態互操作：橫向聯邦NN支援pytorch backend，FATE新增了pytorch backend，即支援使用pytorch引擎搭建nn網路，換而言之，使用pytorch編寫的橫向nn模型，可相關使用配置檔案將其透過pytorch backend進行轉化，加入多方橫向聯邦學習，作為重要的深度學習庫，支援pytorch的呼聲一直很高，橫向nn在支援使用tensorflow和keras的基礎上，增加了pytorch backend，進一步豐富了FATE的功能性。
FederatedML：新增橫向secureboost演算法，廣義線性模型的逐步迴歸模型選擇以及最優分箱功能支援
在上一個版本中，FATE對訓練稀疏資料效率進行了提升，記憶體消耗也再度最佳化。而在1.4版本中，FederatedML的更新也延續了這一想法，主要集中提高了FATE的可用性。首當其衝的，便是完善了更多的常見功能。比如1.4中新增的橫向secureboost演算法，廣義線性模型的逐步迴歸模型選擇以及最優分箱功能支援等，都是在建模過程中使用者迫切希望得以實現的功能。除此以外，FATE 1.4也在努力提升原有演算法的體驗和應用範圍。比如本次更新進一步完善了橫向nn的功能，新增pytorch框架支援，提升建模效率的同時，增強了易用性，開發者不必同時掌握多種深度學習庫，即可滿足聯邦場景中的建模需求。最後，新版本還透過最佳化部分演算法的實現，大大提升了建模過程中的穩定性和效率，使得開發者能更順暢地使用FATE來實現自己的業務目標。
FATEBoard：新增Pearson相關性視覺化矩陣圖，支援GLM的stepwise方法、橫向Secureboost等視覺化輸出
FATEBoard是聯邦學習建模的視覺化工具，為終端使用者視覺化和度量模型訓練的全過程，能夠幫助開發更簡單、高效地進行模型探索和模型理解。FATEBoard由任務儀表盤、任務視覺化、任務管理與日誌管理等模組組成，支援模型訓練過程全流程的跟蹤、統計和監控等，併為模型執行狀態、模型輸出、日誌追蹤等提供了豐富的視覺化呈現。
在FATE 1.4版本中，FATEBoard新增了Pearson相關性的視覺化矩陣圖，可幫助開發者檢視guest特徵之間，以及guest與host特徵之間的相關性大小。而對GLM（縱向LR、縱向線性迴歸、縱向poisson迴歸）的stepwise方法的結果視覺化輸出的支援，則能夠幫助開發者準確地觀察每一步的模型擬合統計、特徵分析、最大似然分析、待進入特徵分析等情況。對橫向Secureboost的視覺化樹模型輸出，LR、localbaseline在one_vs_rest下的視覺化輸出的支援，也進一步豐富了FATEBoard在更多場景下的適用性。
最後，新版本對FATEBoard的視覺和互動體驗上也做了重大提升，支援大資料量下圖表的視覺化，最佳化頁面視覺效果及互動細節。透過嘗試，建模人員可以明顯感受到FATEBoard的可用性與易用性在這一版本中所呈現的全方位提升，必將幫助建模人員更好地理解與分析模型。
支援EggRoll 2.0：穩定性、效能以及使用者體驗顯著提升
作為FATE 1.4版本的一個重點，EggRoll也迎來了巨大提升，在穩定性方面，FATE採用了全新的資源管理元件及session機制。從這一版本起，即使session出錯，也只需要一個簡單函式呼叫，臨時拉起的計算程序即可被清理。此外，此版本也移除了storage service，無需C++/native庫的編譯，開發者從下載程式碼到執行起來的步驟進一步減少，編譯與環境依賴也更加簡化，基本上已可實現開箱即用。最後，面對在任意網路下傳輸都會產生的丟包現象，新版本也做了適配，聯邦學習演算法在28%的丟包率之下依然可以實現正常執行。
在效能方面，在實踐中相信開發者能夠感受到，執行於Eggroll 2的聯邦學習演算法效能顯著提升，部分演算法甚至可以達到超過10倍的效能提升，此外，Join介面在聯邦學習場景下，也實現了比pyspark快16倍的速度，開發者的計算/建模將更為高效。
而在使用者體驗方面，新版本已可快速部署，只需Maven編譯、pip安裝依賴、修改配置，即可執行。此外，這一版本也變得更加易於除錯，新版本中不僅提供了必要的執行上下文資訊，還將除錯的關鍵系統狀態儲存在日誌檔案及資料庫中，當開發者遇到報錯資訊時，排查將變得更加快捷。最後，常駐程序在這一版本中也進行了大幅度削減，現在的常駐程序僅三個：
lClusterManager (CM)：管理叢集的物理資源，管理session資訊
lNodeManager (NM)：管理一個機器節點上的物理資源
lRollSite：管理跨站點通訊，等同以前的proxy + federation
其中，CM和NM都是無狀態的，非常輕量級，易於管理。開發者在使用過程中，可以直觀感受到這些提升帶來的更優質體驗。
總而言之，FATE 1.4版本是一次回望，對過往開發者們提到的一些問題進行了整合與思考，然後加入了迭代中。無論是FederatedML對常用功能、及原有演算法的體驗和應用範圍的提升，還是FATEBoard對適用場景的豐富、及視覺和互動體驗上的大力最佳化，又或者是FATEFlow針對實際生產應用，從模型、資料、日誌三個方面增強系統易管理、易擴充套件、易審計的能力，都能看到FATE對開發者使用體驗的思索與重視。FATE官方歡迎對聯邦學習有興趣的同仁一起貢獻程式碼，提交 Issues 或者 Pull Requests。詳情可查閱FATE官網專案貢獻者指南：https://fate.fedai.org/contribute/
另，FATE官方也在開展針對1.4版本的圓桌討論會，詳情可新增FATE助手：FATEZS001，進一步交流及瞭解。