微众银行+杨强教授团队的联邦学习FATE框架代码：https://github.com/WeBankFinTech/FATE 
谷歌联邦迁移学习TensorFlow Federated （TFF）框架代码： 
https://www.tensorflow.org/federated/ 
与杨强教授合影 
 
 
  
联邦迁移学习能解决的问题？ 
 数据隔离。 
因权限不同，导致不同部门或者不同企业间的数据都是以孤岛的形式存在。 
 少标签数据。 
数据量不足或者数据包含的信息不全。 
 传输过程隐私安全。 
由于条款、利益等的原因导致共享的知识必须加密。 
安全性---利用同态加密HE技术解决隐私性---利用差分隐私DP技术解决
同态加密示意图 
 
 
差分隐私： 
差分隐私宗旨：在查询的结果上加满足某种分布的噪音，使查询结果随机化 
•拉普拉斯机制，适用于数值型输出 
•指数机制，适用于非数值型输出 
 
 
 联邦学习示意图 
 
联邦学习分类： 
横向联邦模型：用户特征一致，用户不一致 
纵向联邦模型：用户一致，用户特征不一致 
联邦迁移学习：用户，用户特征均不一致 
 
 谷歌联邦学习框架： 
 
 
 
谷歌的联邦学习是为了应对GDRP联盟标准为应用的策略算法，侧重点是：算法对用户的隐私保护。 
 微众银行与杨强教授的联邦学习框架 
侧重点是：解决小数据问题，同时保护用户的隐私。