【联邦学习】联邦学习算法分类总结

横向联邦学习、纵向联邦学习和联邦迁移学习

我们都听过联邦学习分类方法中有：纵向横向和迁移，这是杨强大佬的分类方法，是根据样本重合程度来划分的。

横向联邦学习

机器学习中，特征、标签和样本是最基本的概念，下图展示了特征样本标签之间的关系

横向联邦学习，就是指两个样本集合中样本的特征重合较高，但是样本来源不一样。就比如图中，两个样本集合分别是两家银行的客户。一般银行管理的数据特征都是相似的，但是客户是不同的，这样我们就可以采用横向联邦学习的方式训练模型。

纵向联邦学习

纵向联邦学习是指两个数据集id重合较高（比如上图的姓名，都是一样的人），但是特征不一样，比如一座城市只有一家银行和一家医院，那么银行和医院的样本大概率人员重合度很高，但是特征不一样，银行数据集属性可能是存款、贷款等信息，医院可能是生理指标等。此时如果使用银行和医院的数据集训练模型，我们称之为纵向联邦学习。

联邦迁移学习

如果id和特征重合程度都很少怎么办？此时只能采用联邦迁移学习的办法。联邦迁移学习重点在“迁移学习”。迁移学习，是指利用数据、任务、或模型之间的相似性，将在源领域学习过的模型，应用于目标领域的一种学习过程。这里对迁移学习不做展开。

基于机器学习算法的联邦学习分类

常见的机器学习算法诸如回归、随机森林、支持向量机等，