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
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；
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。 切分点数量 定
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。 假设您有如下数据集（
感，脱敏）的设定、元数据的发布等，为数据源计算节点提供全生命周期的可靠性监控、运维管理。 可信联邦学习 对接主流深度学习框架实现横向和纵向的联邦训练，支持基于安全密码学(如不经意传输、差分隐私等)的多方样本对齐和训练模型的保护。 数据使用监管 为数据参与方提供可视化的数据使用流图
业，根据合作方已提供的数据，编写相关sql作业并获取您所需要的分析结果，同时能够在作业运行保护数据使用方的数据查询和搜索条件，避免因查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。
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。 切分点数量 定义每个特征切分点的数量，数量越多，准确率越高，计算时间越长。取值范围为5~10的整数。 分类阈值 区分正负例的得分阈值。
关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效。开关关闭后，关闭前已触发重试的作业不受影响，仅对关闭后的执行作业生效。 对重试操作配置后，配置CPU配额和内存配额。执行批量预测作业时，会创建新容器来执行，这两个配额参数的值为创建新容器的CPU核数和内存大
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“算法类型”之后，勾选“选择训练作业”列表中的某一训练作业，然后勾选“选择模型”列表中对应模型，再勾选”选择数据集”列表中参与方预测要用的某一数据集，最后单击“
通过调用接口获取用户Token接口获取。 X-Language 是 String 根据自己偏好的语言来获取不同语言的返回内容，zh-cn或者en_us Content-Type 是 String 发送的实体的MIME类型 响应参数 状态码： 200 表3 响应Body参数 参数 参数类型 描述
通过调用接口获取用户Token接口获取。 X-Language 是 String 根据自己偏好的语言来获取不同语言的返回内容，zh-cn或者en_us Content-Type 是 String 发送的实体的MIME类型 表3 请求Body参数 参数 是否必选 参数类型 描述 description
通过调用接口获取用户Token接口获取。 X-Language 是 String 根据自己偏好的语言来获取不同语言的返回内容，zh-cn或者en_us Content-Type 是 String 发送的实体的MIME类型 表3 请求Body参数 参数 是否必选 参数类型 描述 instance_id
String 根据自己偏好的语言来获取不同语言的返回内容，zh-cn或者en_us Content-Type 是 String 发送的实体的MIME类型 表3 请求Body参数 参数 是否必选 参数类型 描述 datasets 是 String 每个可信计算节点的数据集名 features
可信联邦学习作业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。 安全可信。 多种训练场景。 方便与已有服务对接。 使用场景 横向联邦机器学习 横向联邦机器学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，联合多个参与者的具有相同特征的多行样本进行可信联邦学习，联合建模。
Scikit-Learn的StandardScaler进行了归一化。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Imb
EdgeFabric）通过纳管您的边缘节点，提供将云上应用延伸到边缘的能力，联动边缘和云端的数据，满足客户对边缘计算资源的远程管控、数据处理、分析决策、智能化的诉求。同时，在云端提供统一的设备/应用监控、日志采集等运维能力，为企业提供完整的边缘和云协同的一体化服务的边缘计算解决方案。 前提条件
EdgeFabric）通过纳管您的边缘节点，提供将云上应用延伸到边缘的能力，联动边缘和云端的数据，满足客户对边缘计算资源的远程管控、数据处理、分析决策、智能化的诉求。同时，在云端提供统一的设备/应用监控、日志采集等运维能力，为企业提供完整的边缘和云协同的一体化服务的边缘计算解决方案。 前提条件
从上面两张表可以看出： （1）训练轮数对于联邦学习模型的性能影响不大，这主要是由于乳腺癌数据集的分类相对简单，且数据集经过了扩充导致的； （2）增大每个参与方本地模型训练的迭代次数，可以显著提升最终联邦学习模型的性能。 参与方数据量不同时，独立训练对比横向联邦训练的准确率 本节实验不再将训练集均匀划
文件管理是可信智能计算服务提供的一项管理联邦学习模型文件的功能。通过文件管理，参与方无需通过登录后台手动导入模型文件，而是直接将模型文件上传到数据目录进行管理。 使用文件管理功能后，创建联邦学习作业时用户可以便捷地选择自己以前上传的执行脚本、训练模型、数据文件、权重参数文件，极大地提高了系统的易用性及可维护性。
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
模型评估 训练时的评估指标是用训练的数据集中随机采样的记录计算的，完成训练后企业A也可以使用其他的数据集对同一个模型进行多次的评估。单击“发起评估”选择训练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，
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
