检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
筛选特征 样本对齐执行完成后单击下一步进入“特征选择”页面，这一步企业A需要选出企业A自己和大数据厂商B的特征及标签用于后续的训练。 企业A可以选择特征及标签后“启动分箱和IV计算”，通过联邦的统计算法计算出所选特征的iv值，一般而言iv值较高的特征更有区分性，应该作为首选的训练
支持在分布式的、信任边界缺失的多个参与方之间建立互信空间； 实现跨组织、跨行业的多方数据融合分析和多方联合学习建模。 灵活多态 支持对接主流数据源（如MRS、 DLI、 RDS、 Oracle等）的联合数据分析； 支持对接多种深度学习框架(TICS，TensorFlow)的联邦计算； 支持控制流和数据流的分离
低营销成本的业务诉求。 基于多方安全计算功能准备好合适的数据，本文主要介绍双方对已有的数据进行样本对齐、特征筛选和联邦建模，并对产生的模型进行评估。 父主题： 使用TICS可信联邦学习进行联邦建模
测试步骤 数据准备 训练型横向联邦作业流程 评估型横向联邦作业流程 父主题： 横向联邦学习场景
创建可信联邦学习训练型作业 参考步骤创建横向训练型作业创建可信联邦学习训练型作业，运行环境选择ModelArts和PriorityModelArts时，新增的资源配额是使用MA Lite资源池进行训练时，工作负载需要配置的资源参数。 图2 配置参数 父主题： 可信联邦学习作业
查找待获取执行结果和作业报告的作业，单击操作栏的“历史作业”。 图4 历史作业 在历史作业列表中，单击操作栏的“执行结果”或者“作业报告”。在弹出的页面查看执行结果和作业报告。 图5 查看执行结果、作业报告 在历史作业列表中，查找待查看计算过程的作业，单击作业名称展开，在操作栏单击“计算过程”。 图6
learning_rate 否 Float 学习率，最小值0，最大值1 batch_size 否 Integer 批大小，最小值1 epoch 否 Integer 迭代次数，最小值1 tree_num 否 Integer 树数量，最小值1 tree_depth 否 Integer 树深度，最小值1 split_num
learning_rate 否 Float 学习率，最小值0，最大值1 batch_size 否 Integer 批大小，最小值1 epoch 否 Integer 迭代次数，最小值1 tree_num 否 Integer 树数量，最小值1 tree_depth 否 Integer 树深度，最小值1 split_num
训练型横向联邦作业流程 联邦学习分为横向联邦及纵向联邦。相同行业间，特征一致，数据主体不同，采用横向联邦。不同行业间，数据主体一致，特征不同，采用纵向联邦。xx医院的应用场景为不同主体的相同特征建模，因此选用横向联邦。 创建训练型横向联邦学习作业。 图1 创建训练型横向联邦学习作业 配置作业的执行脚本，训练模型文件。
"result_ext" : "" } 状态码 状态码 描述 200 查询执行结果成功 401 操作无权限 500 内部服务器错误 父主题： 可信联邦学习作业管理
参与方不同的数据集即可发起模型评估。 至此使用可信联邦学习进行联邦建模的过程已经完成，企业A已经训练出了一个符合自己要求的算法模型，后续文档会介绍如何使用已有的算法模型对新的数据进行预测。 父主题： 使用TICS可信联邦学习进行联邦建模
reason”报错信息。 问题分析 该报错大概率是资源配额不足导致作业执行失败。 解决方案 如果是纵向联邦学习作业，您可以在该纵向联邦作业详情页面尝试新增内存配额和CPU配额，然后重新执行作业。 如果是横向联邦学习作业，您可以在该横向联邦作业详情页面尝试新增内存配额和CPU配额，然后保存、提交审批，等待审批通过后再重新执行作业。
首先企业A要在“数据选择”页面选择双方发布的数据集，已选择的数据集会出现在右侧，所选的数据集会用于后续的步骤。 父主题： 使用TICS可信联邦学习进行联邦建模
询和搜索请求造成的数据泄露。 可信联邦学习 可信联邦学习是可信智能计算服务提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经被称为联邦机器学习。 联邦预测作业 联邦预测作业在保障用户数据安全的前提下，利用多方数据和模型实现样本联合预测。 可信智能计算节点 数据参与
等待训练完成后就可以看到训练出的模型指标。 模型训练完成后如果指标不理想可以重复调整7、8两步的所选特征和超参数，直至训练出满意的模型。 父主题： 使用TICS可信联邦学习进行联邦建模
评估型横向联邦作业流程 基于横向联邦作业的训练结果，可以进一步评估横向联邦模型，将训练好的模型用于预测。 选择对应训练型作业的“历史作业”按钮，获取最新作业的模型结果文件路径。 图1 查看模型结果文件的保存位置 前往工作节点上步骤1展示的路径，下载模型文件。由于Logistic
其中为了保证数据安全，企业A和大数据厂商B通过讨论决定使用hash过后的手机号作为已有数据的唯一标识id字段，并将唯一标识作为数据对齐的依据。 父主题： 使用TICS可信联邦学习进行联邦建模
联邦预测作业在保障用户数据安全、模型资产安全的前提下，利用多方数据和模型实现样本联合预测。 目前TICS支持两种类型的预测方式： 批量预测： 批量预测通过在计算节点后台发起离线预测任务的方式，在任务完成后可以获得指定数据集中所有样本的预测结果。 实时预测： 实时预测通过在计算节点部署在线预测服
大数据厂商B的数据集如下： 创建数据集后单击“发布”按钮即可将数据的元数据信息发布到tics空间侧，供其他合作方参考。 父主题： 使用TICS可信联邦学习进行联邦建模
阶段 相关文档 1 纵向联邦学习 纵向联邦机器学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，联合多个参与者的共同样本的不同数据特征进行联邦机器学习，联合建模。 公测 创建纵向联邦学习作业 2 联盟和计算节点支持自助升级 在实际应用中，升级、回滚是一个常见的场景
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
