-
创建可信联邦学习作业 - 可信智能计算服务 TICS
创建可信联邦学习作业 联邦建模的过程由企业A来操作,在“作业管理 > 可信联邦学习”页面单击“创建”,填写作业名称并选择算法类型后单击确定即进入联邦建模作业界面。本文逻辑回归算法为例。 父主题: 使用TICS可信联邦学习进行联邦建模
-
执行作业 - 可信智能计算服务 TICS
常规配置参数 算法类型 参数名 参数描述 XGBoost 学习率 控制权重更新的幅度,以及训练的速度和精度。取值范围为0~1的小数。 树数量 定义XGBoost算法中决策树的数量,一个样本的预测值是多棵树预测值的加权和。取值范围为1~50的整数。 树深度 定义每棵决策树的深度,根节点为第一层。取值范围为1~10的整数。
-
创建纵向联邦学习作业 - 可信智能计算服务 TICS
纵向联邦作业XGBoost算法只支持两方参与训练。 训练作业必须选择一个当前计算节点发布的数据集。 作业创建者的数据集必须含有特征。 创建纵向联邦学习作业 纵向联邦学习作业在本地运行,目前支持XGBoost算法、逻辑回归LR算法和FiBiNET算法。 纵向联邦学习分为五个步骤:数据选择
-
基于MPC算法的高安全级别计算 - 可信智能计算服务 TICS
基于MPC算法的高安全级别计算 完成demo验证阶段,为提升数据保护级别,接入以纯密文的状态做计算的更高安全级别的数据,可以通过开启高隐私级别开关,提升空间安全级别。 图1 高隐私级别开关 再次单击作业,审批进行的同时敏感数据被进行了同态加密。DAG图显示了“psi + 同态”的
-
模型评估 - 可信智能计算服务 TICS
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
-
创建批量预测作业 - 可信智能计算服务 TICS
批量预测作业必须选择一个当前计算节点发布的数据集。 创建联邦预测作业 批量预测作业在本地运行,目前支持XGBoost算法、逻辑回归LR算法、深度神经网络FiBiNet算法。 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”,打开联邦预测作业页面。 在“联邦
-
阶段五:基于MPC算法的高安全级别计算 - 可信智能计算服务 TICS
阶段五:基于MPC算法的高安全级别计算 完成demo验证阶段,为提升数据保护级别,接入以纯密文的状态做计算的更高安全级别的数据,可以通过开启高隐私级别开关,提升空间安全级别。 图1 高隐私级别开关 再次单击作业,审批进行的同时敏感数据被进行了秘密分享加密。DAG图显示了“psi +
-
筛选特征 - 可信智能计算服务 TICS
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特征;过低的iv值没有区分性会造成训练资源的浪费,过高的iv
-
查询联邦学习作业列表 - 可信智能计算服务 TICS
hfl_platform_type String 联邦学习运行平台枚举值。LOCAL,MODEL_ARTS 枚举值: LOCAL MODEL_ARTS learning_rate String 纵向联邦算法学习率 algorithm_type String 纵向联邦算法类型枚举。 XG_BOOST, LightGBM
-
保存纵向联邦作业 - 可信智能计算服务 TICS
MODEL_EVALUATION(特征评估) MODEL_PREDICT(模型预测) learning_rate 否 String 纵向联邦算法学习率,最大长度16 label_dataset 否 String 标签数据集,最大长度100 label_agent 否 String 标签方可信计算节点,最大长度100
-
获取纵向联邦作业详情 - 可信智能计算服务 TICS
MODEL_EVALUATION(特征评估) MODEL_PREDICT(模型预测) learning_rate String 纵向联邦算法学习率,最大长度16 label_dataset String 标签数据集,最大长度100 label_agent String 标签方可信计算节点,最大长度100
-
新建联邦学习作业 - 可信智能计算服务 TICS
作业发起可信计算节点id,最大32位,由字母和数字组成 最小长度:0 最大长度:32 algorithm_type 否 String 纵向联邦算法类型枚举值。XG_BOOST,LIGHT_BGM, LOGISTIC_REGRESSION(逻辑回归),NEURAL_NETWORK,FIBINET
-
创建数据预处理作业 - 可信智能计算服务 TICS
创建数据预处理作业 数据预处理是训练机器学习模型的一个重要前置步骤,其主要是通过转换函数将特征数据转换成更加适合算法模型的特征数据过程。TICS特征预处理功能能够实现对数据的探索、分析、规整以及转换,以达到数据在训练模型中可使用、可实用,在TICS平台内完成数据处理到建模的闭环。
-
查询联邦学习作业列表 - 可信智能计算服务 TICS
实例集合 total Long 总记录数 表5 FlJobListVo 参数 参数类型 描述 algorithm_type String 纵向联邦算法类型枚举。XG_BOOSTXGBoost,LIGHT_BGMLightGBM,LOGISTIC_REGRESSION逻辑回归,NEURAL
-
数据准备 - 可信智能计算服务 TICS
化。为了模拟横向联邦学习场景,将数据集随机划分为三个大小类似的部分:(1)xx医院的训练集;(2)其他机构的训练集;(3)独立的测试集,用于准确评估横向联邦学习得到的模型准确率。此外由于原始的数据集较小,采用了Imbalanced-Learn中的SMOTE算法,进行了数据集的扩充。下表为扩充过后的数据集统计信息。
-
最新动态 - 可信智能计算服务 TICS
功能描述 阶段 相关文档 1 秘密分享 横向联邦学习新增支持秘密分享算法。 商用 联邦机器学习作业 2 隐私集合交集PSI 联邦SQL分析新增支持隐私保护集合求交能力。 商用 联邦数据分析作业 3 国密算法 新增支持国家密码局认定的国产商用密码算法。 商用 联盟管理 计算节点管理 2021年7月
-
产品优势 - 可信智能计算服务 TICS
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
-
创建并运行隐私求交作业 - 可信智能计算服务 TICS
创建并运行隐私求交作业 企业A单击“作业管理 > 隐私求交 > 创建”,依次填写作业名称、选择需要求交的数据集和对应的求交列、选择算法协议及各种参数,再单击“保存并执行”即可发起一次隐私求交查询。 父主题: 隐私求交黑名单共享场景
-
创建联邦预测作业 - 可信智能计算服务 TICS
创建联邦预测作业 企业A单击“联邦预测 > 批量预测 > 创建”按钮,进入联邦预测作业的创建页面。企业A需要通过“算法类型”、“训练作业”等筛选条件可以找到用于预测的模型,点选使用的模型后单击“确定”按钮即完成联邦预测作业的创建。 父主题: 使用TICS联邦预测进行新数据离线预测
-
创建实时预测作业 - 可信智能计算服务 TICS
实时预测作业在本地运行,目前仅支持深度神经网络FiBiNet算法。 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”,打开联邦预测作业页面。 在“联邦预测”页面,选择实时预测的Tab页,单击创建。 图1 创建作业 在弹出的对话框中编辑“作业名称”,选择“算法类型”。 选择