开源摘星计划（WeOpen Star）是由腾源会 2022 年推出的全新项目，旨在为开源人提供成长激励，为开源项目提供成长支持，助力开发者更好地了解开源，更快地跨越鸿沟，参与到开源的具体贡献与实践中。

不管你是开源萌新，还是希望更深度参与开源贡献的老兵，跟随“开源摘星计划”开启你的开源之旅，从一篇学习笔记、到一段代码的提交，不断挖掘自己的潜能，最终成长为开源社区的“闪亮之星”。

我们将同你一起，探索更多的可能性！

本次分享的学习笔记是关于微众银行的Fate框架，记录我在部署单机版节点的完整过程

1.项目背景介绍

1.1 联邦学习简介

近年来，人工智能发展如火如荼，各种各样的机器学习、深度学习算法层出不穷，然而不论是何种模型或何种算法，要落地实践，数据都是不可或缺的。然而，在现实世界当中，采集的数据并不能每次都十全十美，甚至离我们所希望的相差甚远，它们或存在缺失，或本身质量较差（比如社交媒体上的聊天内容数据），或缺乏标签，或非常分散以至于难以训练（比如腾讯的数据当中社交属性更强、阿里巴巴的数据当中电商交易属性更强、微众的数据当中信用属性更强，也就是说不同公司的数据往往是分散甚至千差万别的），这些问题就导致了市场主体之间数据合作的困难，特别是对于一些较小型的企业，他们本身业务量少，数据匮乏，要发挥好算法的作用就不可避免地需要与其他企业合作。然而，由于企业内部的数据往往又不能外泄，这样就使得市场主体很容易形成一个个“数据孤岛”。

由于我国对于风险和安全的重视，关于数据的法律条例也趋向全面化和严格化，比如相关的有：

2012.12.28 全国人民代表大会常务委员会关于加强网络信息保护的决定

2015.08.29 刑法修正案（九）

2016.11.07 中华人民共和国网络安全法

2018.03.17 科学数据管理办法

2018.07.12 国家健康医疗大数据标准、安全和服务管理办法（试行）

2018.08.31 中华人民共和国电子商务法

2019.05.28 数据安全管理办法（征求意见稿）

2021.06.10 中华人民共和国数据安全法

2021.09.17 关于加强互联网信息服务算法综合治理的指导意见

2021.11.14 网络数据安全管理条例（征求意见稿）

2021.12.31 互联网信息服务算法推荐管理规定

......

可以看到，我国针对很多细分领域的数据、算法方面都纷纷颁布了指导意见、管理办法和法律法规，在这样渐趋严格的监管环境下，数据的流通变得越来越困难，“数据孤岛”的现象势必会越来越严重。

那么，如何能够保障训练好算法的同时保护好数据呢？

针对以上的问题，微众银行的人工智能团队就提出了基于联邦学习的技术生态，其具有以下特点：

数据隔离： 联邦学习的整套机制在合作过程中，数据不会传递到外部。

无损： 通过联邦学习分散建模的效果和把数据合在一起建模的效果对比，几乎是无损的。

对等： 合作过程中，合作双方是对等的，不存在一方主导另外一方。

共同获益： 无论数据源方，还是数据应用方，都能获取相应的价值。

联邦学习的分类体系主要包括三个部分：纵向联邦学习、横向联邦学习和联邦迁移学习。 下面一一进行介绍。

1. 纵向联邦学习

纵向联邦学习适用于这样的情境：两个数据集的用户（U1,U2,......）重叠部分较大，而用户特征（X1,X2,......）重叠部分较小；

例如：

企业A与企业B联合建模做信贷逾期模型，假如企业A有针对若干客户的a1、a2、a3、a4四类数据特征，企业B有针对若干客户的b1、b2、b3、b4四类数据特征和z标签数据（是否逾期），并且两家企业有相当部分的共同客户（身份证号或者电话号码相同），也就是样本重叠部分较大而特征重叠部分较小。

在传统模式当中，企业A缺乏z标签数据就不能独立建立模型，而企业B数据类型不足也会导致准确性存在较大偏差，就需要企业B把z标签数据共享给企业A、企业A把其余数据类型共享给企业B来实现共赢，但由于数据保护条款和企业自身的保密规定，并不支持两方这种形式的互通。

那么在这种情况下，就可以用纵向联邦学习来帮助建模，在不带走数据的情况下通过一方的特征来弥补另一方特征的不足，以此提升风控模型的效果和稳定性。

以上是纵向联邦学习应用的简单介绍，那么要实现纵向联邦学习、保护好数据隐私，就首先应该做好以下两方面：

建模样本ID差集不向对方泄漏，在合作之初需要进行用户匹配，找出用户的交集，并且不能泄漏差集，因为这是企业最核心的资产。

任何最核心、最底层的数据都不能向对方泄漏，需严格保密。这看起来很困难，但确实是可以解决的，以下为解决方案：

RSA 和 Hash 的机制，保证双方最终只用到交集部分，且差集部分不向对方泄露。
- 还是以前面提到的企业A和企业B来解释。假如企业A有[A1,AB2,AB3,AB4,AB5]五个客户，企业B有[AB2,AB3,AB4,AB5,B6]五个客户，那么如何在整个训练和应用的过程中保证双方只知道共同客户[AB2,AB3,AB4,AB5]，而企业A不知道企业B有客户[B6]，企业B不知道企业A有客户[A1]？
- 事实上，这可以用RSA和Hash机制来实现。企业B作为公钥的生成方，把公钥给企业A，企业A基于Hash引用一个随机数再交互传给企业B，企业B同时做Hash传给A，那么企业A就会最后做一个结果的交集。整个过程中，没有任何明文数据的传递，即使采用暴力或者碰撞方式，依然不能解析出原始的ID，通过这种机制就能很好保护企业A和企业B客户的差集部分。
用同态加密技术，这个过程中，各方的原始数据，以及数据加密态都没有被传输。交互部分，双方通过损失中间结果，用同态加密的机制进行交互，模型训练完之后，会各自得到一个模型，各自的模型会部署在各自的一方，就是如果A只提供了3个特征，那么A只有3个特征的模型，只提供2个特征，就只有2个特征的模型，任何一方的模型都没法单独去应用，只有共同应用的时候，才能进行决策。

在前面企业A和企业B联合进行纵向联邦学习建模的过程中，就用到了同态加密技术，用上同态加密技术之后经过加密的两个数字的密文可以正常进行数学运算，这样结果依然是密文，而对密文解密之后得到的结果和它们明文的运算结果是一样的。这样的同态加密技术就可以在机器学习和特征工程当中很好地加以运用。

以上就是纵向联邦学习的基本介绍了。

2. 横向联邦学习

横向联邦学习适用于这样的情境：两个数据集的用户特征（X1,X2,......）重叠部分较大，而用户（U1,U2,......）重叠部分较小；

例如：

企业C和企业D共同来建立反洗钱模型，他们都希望优化自身的模型，这是因为各自用自己的样本客户数据建立的反洗钱模型效果和稳定性都不能达到实际需要的标准，它们的共同客户很少，但是共同的数据特征较多，也就是用户样本重叠部分较小而特征重叠部分较大。在这样的情境下，就可以利用横向联邦学习，充分利用不同企业的用户样本，在不泄露样本的条件下，构建出更大的模型。

在应用横向联邦学习的过程中，用到了同态加密和Secret-Sharing技术，整个过程双方交互的是模型和梯度，同时引入了SecureAggregation机制，使得交互过程中的梯度很难被反解。这样操作下来，不同的企业都会得到一个综合多家样本的相同的模型，使得整个模型更稳健、大大提升训练的效果。

3. 联邦迁移学习

联邦迁移学习的应用情境是：通过联邦学习和迁移学习，解决两个数据集的用户（U1,U2,...）与用户特征重叠（X1, X2,...）部分都比较小的问题。

（本图由自己绘制）

由于联邦学习和迁移学习各个机制的技术细节比较繁杂，我们的目的只是解释清楚概念和意义，所以这里就不再往下深挖，联邦学习的介绍到此为止。

1.2 联邦学习应用案例

联邦学习能够应用到众多重要的领域，比如银行和监管机构合作进行联合反洗钱建模，互联网公司和银行联合进行信贷风控建模，互联网公司和保险公司联合进行权益定价建模，互联网公司和零售公司联合进行客户价值建模，等等。

下面举两个场景和视觉领域的应用加以说明：

1、保险行业个性化定价

对保险公司而言，个性化定价是很困难，因为保险公司一般只有业务数据、承保数据和理赔数据，用这么局限的数据来对客户做千人千面的定价基本无法实现。而通过联邦学习，可以融合来自互联网企业的数据集，综合出险数据和互联网数据（如年龄、职业、特定行为次数、出险概率等等）来构建基于保险定价的联邦学习产品，实现较精确的个性化保险定价。

2、小微企业信贷风险管理

银行往往会希望获取到完备的数据集，例如来自央行征信报告、上下游、行政、税务、财务、舆情、无形资产、司法、声誉、工商等方面的数据，但实际情况却是非常受限的，基本只能获取到央行征信报告。因此就可以利用联邦学习，对合作企业用户的其他方面数据特征属性进行联合建模，来提高预测的准确度。

3、视觉领域

在装备制造业、物联网AIOT、智慧安防等行业，行人检测、出行检测、区域检测、设备异常检测、安全帽检测、火焰检测、烟雾检测等情境下，由于存在标签数量少、数据分散、集中管理成本高等问题，就可以借助联邦学习拓宽市场，进一步提升算法准确率，形成网络效应，降低长尾应用成本，提升视觉业务总体的利润率。

1.3 FATE：联邦学习开源平台

以上的内容基本把联邦学习是什么、能用在哪里介绍清楚了，那么接下来就针对于我们本次的实验对象——FATE平台展开介绍。

FATE是由微众银行AI团队于2019年1月份宣布对外开源的联邦学习平台，，它定位于工业级联邦学习系统，能够有效帮助多个机构在符合数据安全和政府法规的前提下，进行数据使用和联合建模。FATE的设计原则有以下三点：

支持多种主流算法：为机器学习、深度学习、迁移学习提供高性能联邦学习机制
支持多种多方安全计算协议：同态加密、秘密共享、哈希散列等
友好的跨域交互信息管理方案，解决联邦学习信息安全审计难的问题

微众银行在将联邦学习从一项技术变成一个关键系统和产品方案的过程中，遇到了如下挑战：

式建模过程的联邦化
C协议下分布式算法（on WAN）易理解和易维护
点数据传输安全性和可管理性，如何让交互部分是可以被管理和被审计的
基础架构自适应，联邦学习可能会运行在CPU、GPU和端上，怎么让上层架构不受底层的影响

在经过团队的克难攻坚后，微众银行很好地解决了以上问题，构建出了工业级的联邦学习系统——FATE。

1.3.1 整体架构

1、 EggRoll：分布式计算和存储的抽象；

（1）核心功能：分布式计算和存储抽象

（2）编程框架：面向算法开发者，通过API实现分布式计算

（3）计算/存储架构：

学习一方分布式计算和存储
模块

（4） Meta-Service：元信息管理

Roll:数据/计算调度（to eggs），聚合操作等
Egg:计算、存储引擎

2、 Federated Network：跨域跨站点通信的抽象；

（1）核心功能：跨站点网络通信抽象

（2）编程框架：Federaton API：面向算法开发者，通过API实现跨站点通信和交互。

（3）通信架构

联邦学习不仅需要分布式计算，还需要多个参与方跨站点通信和交互
模块
- Meta-Service：元信息管理
- Proxy：应用层联邦学习路由
- Federation：Global Object（i.e. data to be 'federated' among parties）抽象和实现
- FATE-Exchange

3、 FATE FederatedML：联邦学习算法模块，包含了目前联邦学习所有的算法功能；

（1）核心功能：联邦学习算法各个功能组件

eggRoll & Federation API：底层是 EggRoll 的算子，比如 Map 和 MapValues，Remote 和 Get 可以完成整个分布式计算的抽象；
MPC Protocol：包括同态加密、秘密共享等多种多方安全协议，
Numeric Operator：会抽象出数学算子，比如加法或者乘法；
ML Operator：用建好的数学算子构建机器学习算子，而不用管底层的安全协议是什么；
Algorithms：有了 ML 算子之后就构建各种算法模型。

4、 FATE-Flow | FATE-Board：完成一站式联邦建模的管理和调度以及整个过程的可视化；

（1）核心功能：联邦建模Pipeline和可视化

（2）整个一站式联合建模Pipeline需要统一的调度管理，而FATE-Board的作用就是将建模流程、步骤和效果等通过可视化的方式呈现出来，实现整个联合建模 Pipeline 可视化追踪，记录联邦学习的全过程。FATE-Flow能够完成下述管理：

联邦机制下多方非对称DAG图Paser
联邦建模生命周期管理
联邦建模实验管理
联邦建模模型管理
联邦多方任务调度

5、 FATE-Serving：联邦学习在线推理模块。

· 核心功能：联邦在线模型服务

6、利用FATE平台进行开发的流程如下:****

选择一个机器学习算法，设计多方安全计算协议；
定义多方交互的数据变量；
构建执行工具流；
基于EggRoll & Federation Api 实现算法工作流中各个功能组件。

1.3.2 列举部分Fate项目中的算法和案例

Secure Intersecton for Sample Alignment

Vertical-Split Feature Space Federated Feature Engineering

Secure Feature Binning

Secure Feature Selection

Secure Feature Correlation（Coming Soon）

Vertical-Split Feature Space Federated Learning****

Secure Logistic Regression

Secure Boosting Tree

Secure DNN/CNN

Horizontal-Split Sample Space Federate Learning

Secure Logistic Regression

Secure Boosting Tree（Coming Soon）

Secure DNN/CNN

Secure Federated Transfer Learning

以上就是FATE平台的基本介绍，接下来讲解该如何具体地使用FATE进行项目构建。

2. 数据准备及数据预处理

我们根据FATE官方github上的部署指南进行了单机部署，这里就不再详细介绍如何部署，直接开始项目。

在本次实验中，我们选取的是《车辆贷款违约预测》，数据来源于阿里云天池，链接为：tianchi.aliyun.com/dataset/dat…

2.1 获取数据集

1. 下载数据集：车辆贷款违约预测

随着监管政策步入关键落地期，受合规监管标的限额影响，曾备受追捧的大额标的逐渐消失，小额分散的车贷业务成为了网贷平台转型的主要方向之一。车贷资产由于进入门槛低、借款额度低、流动性高、限期短等优点，但如何做好风险防控依然是行业的主要问题之一。国内某贷款机构就面临了这样的难题，该机构的借款人往往拖欠还款或拒不还款，导致该机构的不良贷款率居高不下。面对信贷风控问题，可建立风险识别模型来预测可能违约的借款人。

数据集给定某机构实际业务中的相关借款人信息，包含53个与客户相关的字段，其中loan_default字段表明借款人是否会拖欠付款。我们将通过FATE联邦训练方式的集训练模型，来预测测试集中loan_default字段的具体值，即借款人是否会拖欠付款，以此为依据，降低贷款风险。

2. 读取数据，观察数据信息：

3. 观测数据的属性名；

数据的属性名：

4. 数据处理

（1）首先要提取出我们最终要预测的属性值：

（2）删除无用特征：

（3）重新观察保留下来的特征：

（4）数据归一化：

5. 总结数据特征

观察数据发现，样本数150000，特征属性50个，分别以均值mean、标准差std、最大值max，最小值min,及分位数出现），标签（1-违约，0-不违约）1：0 = 123455：26545

6. 创建索引

7. 打乱数据，重新观察数据特征

2.2 横向数据集切分

为了模拟横向联邦建模场景，将数据集切分为特征相同的横向联邦形式切分策略：

前120000个数据作为训练数据，后30000个数据作为测试数据

训练数据中，前60000个作为机构A的数据，存为loan_1_train.csv，后60000个数据作为机构B的数据，存为loan_2_train.csv

测试数据不切分，存为loan_eval.csv

3.通过DSL Conf运行训练和预测任务

3.1 数据输入

首先远程登陆远程服务器，启动Docker容器并进入到Docker里的Fate容器中，代码如下图所示。

进入到workspace/hw文件下，通过pwd命令可以知道当前路径为/data/projects/fate，所以通过以下命令进入到workspace/hw目录下，代码如下图所示。

接着逐个上传数据文件，如下所示：

（1）上传训练数据至机构1： upload_train_host_conf.json

（2）上传训练数据至机构2： upload_train_guest_conf.json

（3）上传测试数据至机构1 ：upload_eval_host_conf.json

（4）上传测试数据至机构2 upload_eval_guest_conf.json

上传数据的命令如下所示，其路径为workspace/HFL_lr/，是我们建立在fate根目录下的目录。

数据上传的屏显如下图所示。

登陆FATE平台查看数据上传情况，平台界面如下图所示，可以看到数据已经成功上传了。

3.2模型训练

目前，FATE框架提供的 DSL 中，可以将各种任务模块通过一个有向无环图（DAG）组织起来。用户可以根据自身的需要，灵活地组合各种算法模块。

这里采用逻辑回归模型。

3.2.1 配置DSL文件

参考官方提供的示例，可以从以下目录中找到

/examples/dsl/v2/homo_logistic_regression

官方提供的示例中包含的模块和说明如下：

名称	说明
reader_0	数据读取组件，支持图像
dataio_0	数据IO组件，用于将本地数据转为DTable
feature_scale_0	特征工程组件
homo_lr_0	横向逻辑回归组件
evaluation_0	模型评估组件，如果未提供测试数据集则自动使用训练集

dsl文件中数据流动的如图所示。

3.2.2 运行配置Submit Runtime Conf

每个模块都有不同的参数需要配置，不同的 party 对于同一个模块的参数也可能有所区别。为了简化这种情况，对于每一个模块，FATE 会将所有 party 的不同参数保存到同一个运行配置文件（Submit Runtime Conf）中，并且所有的 party 都将共用这个配置文件。

因此，除了 DSL 的配置文件之外，用户还需要准备一份运行配置（Submit Runtime Conf）用于设置各个组件的参数。

参考官方提供的示例并对部分内容进行修改，可以从以下目录中找到

/examples/dsl/v2/homo_logistic_regreesion/homo_lr_train_conf.json

实例中包含的角色及其说明如下。

名称	说明
arbiter	用于辅助多方完成联合建模，主要作用是聚合梯度或模型。如在纵向lr中，各方将自己一半的梯度发送给arbiter，再由arbiter联合优化等。
initiator	任务发起人
host	数据提供方
guest	数据应用方
local	本地任务，仅用于upload和download阶段

3.2.3 提交任务，训练模型

配置好dsl和conf文件后，可直接提交训练任务，使用的命令结构如下：

flow job submit -c ${conf_path} -d ${dsl_path}

命令中的参数说明如下表：

参数	Flag	必要参数	说明
conf_path	-c	是	任务配置文件路径
dsl _path	-d	否	DSL文件路径。如果任务是预测任务，可以不输入。

最终输入的命令如下：

flow job submit -c workspace/hw/homo_lr_train_conf.json -d workspace/hw/homo_lr_train_dsl.json

接下来，FATE即可开始训练任务，如下图可以看到三个角色的训练进度。

可以点进任意一个角色，查看其具体的训练情况。

此时，进度图像显示仍处于scale_0训练过程。

直到图像显示全部通过，才说明运行成功。

可以看到训练结果。

3.模型评估

3.1 修改DSL和Conf

下一步我们对模型进行评估，首先我们修改DSL并修改conf，其核心代码如下所示。

3.3.2 提交任务

配置好conf和dsl文件，我们便可以直接提交模型评估任务，其命令如下：

我们进入自己设置的端观察其评估效果。

我们首先看其评估分数，当测试集和训练集对半时，其准确率为60%左右。

接下来是该模型的混淆矩阵，混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了精度。我们的评价获取了该模型的混淆矩阵，其结果如下。总得来说匹配的精度在80%以上，还是不错的。

下面是ROC（接受者操作特征曲线，接受者操作特性曲线是指在特定刺激条件下，以被试在不同判断标准下所得的虚报概率为横坐标，以击中概率为纵坐标，画得的各点的连线），其测试集和训练集的结果分别如下所示。

下面是PSI（群体稳定性指标）结果。PSI反映了验证样本在各分数段的分布与建模样本分布的稳定性。PSI的计算公式如下：

PSI = SUM( (实际占比 - 预期占比） ln(实际占比 / 预期占比) )*

总的来说PSI数值越小，两个分布之间的差异就越小，代表越稳定。我们可以看到我们模型的PSI在0.0001以内，可以说是非常稳定的。

下面是Precision-recall 曲线，即观察当阈值变化时，Precision与Recall值的变化情况。我们可以看到Recall值增长时要损失较大的Precision来实现。

此外还有K-S线（洛伦兹曲线），如下所示。K-S曲线是把真正率和假正率都当作是纵轴，横轴则由选定的阈值来充当。从K-S曲线就能衍生出KS值，即是两条曲线之间的最大间隔距离。KS值越大表示模型的区分能力越强。从图中可知该模型区分能力也是不错的。

综合上述各图的结果，我们可以看出我们的FATE模型实验的评估效果还是良好的，我们的实验取得了预期的效果。

4.总结

如今，以人工智能为代表的第四次工业革命正掀起全球智能化发展的浪潮，而数据也正逐渐发挥着类似燃料的核心作用，基于五个 V（Volume、Velocity、Variety、Veracity、 Value）的趋势，驱动人工智能助推人类社会生产力的巨大提升。然而，数据又往往来源于人们及其所属的环境，数据的获取与应用势必要涉及到每个个体的利益和隐私，因此不可避免地会面临收集难、质量差、不完备等问题，以致尽管客观上存在海量数据，也难以真正地完全地为我们所利用，由此形成“数据孤岛”问题。破除“数据孤岛”，让数据发挥大用的同时维护好数据提供者的利益和隐私，是当今人工智能发展的一个重要议题，而联邦学习和隐私计算也就在这样的背景下成为了学界业界的关注焦点。

微众银行作为国内首家互联网银行，在联邦学习的研究上敢为天下先，面向广大的开发者、贡献者、用户和生态伙伴，率先创建出全球首个隐私计算联邦学习开源社区— —FATE开源社区，并搭建出全球首个工业级联邦学习开源框架。本次活动中,在本地机部署 FATE，借助 FATE 平台进行初步尝试，通过阿里云天池的车辆贷款违约预测项目，模拟横向联邦建模场景，预测出可能违约的借款人以期降低贷款风险。经过数据准备、预处理、数据集切分（模拟联邦）、输入、配置文件、训练模型等步骤。在FATEBoard当中得到了我们需要的可视化结果，最终的结果和评估表明，我们所使用的模型总体训练效果较好。

5.参考资料

[1] 《联邦学习》 ) weread.qq.com/web/bookDet…

[2] FedAI 联邦学习（ b 站号） space.bilibili.com/457797601/v…

[3] FedAI 官方网站www.fedai.org.cn/

[4] FATE 网站fate.fedai.org/

[5] Federated AI Ecosystem github 地址github.com/FederatedAI

[6] CSDN Limeym

[7] CentOS7下的FATE框架单机部署blog.csdn.net/weixin_4323…

[8] docker简单记录、小白的FATE测试流程记录blog.csdn.net/weixin_4323…

[9] FATE训练任务流程blog.csdn.net/weixin_4323…

[10] FATE框架AllinOne集群部署blog.csdn.net/weixin_4323…

[11] 联邦学习、FATE、DSL学习记录blog.csdn.net/weixin_4323…

[12] 【联邦学习FATE框架实战】（一）FATE1.6单机部署教程blog.csdn.net/Sisyphus_98…

[13] 【联邦学习FATE框架实战】（二）用FATE从零开始实现横向逻辑回归blog.csdn.net/Sisyphus_98…

[14] 【联邦学习FATE框架实战】（三）MNIST神经网络（Keras）blog.csdn.net/Sisyphus_98…

[15] 【联邦学习FATE框架实战】（四）用FATE从零开始实现纵向线性回归blog.csdn.net/Sisyphus_98…

[16] Ubuntu18.04 安装教程 —— 超详细的图文教程blog.csdn.net/weixin_4462…

[17] 阿里云开源镜像（ Ubuntu 下载） mirrors.aliyun.com/ubuntu-rele…

[18] 车辆贷款违约预测（讯飞 A.I 算法赛） tianchi.aliyun.com/dataset/dat…

[19] 【入门】快速了解联邦学习技术及应用实践mp.weixin.qq.com/s/NMtVnAcnV…

[20] 【进阶】如何构建端到端的联邦学习 Pipeline 生产服务？mp.weixin.qq.com/s/wb_AQxcF_…

[21] 联邦学习 FATE 入门与应用实战干货 | 《联邦学习FATE入门与应用实战》第一课直播回顾！课件详情看这里mp.weixin.qq.com/s?__biz=Mzk…

[22] 干货 | 《联邦学习FATE入门与应用实战》第二课直播回顾！课件详情看这里mp.weixin.qq.com/s?__biz=Mzk…

[23] 干货 | 《联邦学习FATE入门与应用实战》第三课直播回顾！课件详情看这里mp.weixin.qq.com/s?__biz=Mzk…

[24] 干货 | 《联邦学习FATE入门与应用实战》第四课直播回顾！课件详情看这里

[25] mp.weixin.qq.com/s?__biz=Mzk…

[26] 干货 | 《联邦学习FATE入门与应用实战》第五课直播回顾！课件详情看这里mp.weixin.qq.com/s?__biz=Mzk…

[27] 干货 | 《联邦学习FATE入门与应用实战》第六课直播回顾！课件详情看这里mp.weixin.qq.com/s?__biz=Mzk…

[28] 第1期【大咖实战分享】回顾：FATE系统的实践及适配mp.weixin.qq.com/s?__biz=Mzk…

[29] 第2期【大咖实战分享】回顾：实现中小微企业金融服务场景经验分享 mp.weixin.qq.com/s?__biz=Mzk…

[30] 第3期【大咖实战分享】回顾：运营商与医疗机构联邦建模案例分享 mp.weixin.qq.com/s?__biz=Mzk…

[31] 第4期【大咖实战分享】回顾：金融风控行业的联邦建模案例分享mp.weixin.qq.com/s?__biz=Mzk…

[32] 第6期大咖实战分享回顾 | 联邦学习落地金控集团的挑战与思考mp.weixin.qq.com/s?__biz=Mzk…

轻松入门联邦学习开源框架Fate