聯邦學習的體系我們在前期介紹過，這里我們簡單回顧一下縱向聯邦學習的定義：在兩個數據集的用戶重疊較多而用戶特征重疊較少的情況下，將數據集按照縱向 (即特征維度)切分，并取出雙方用戶相同而用戶特征不完全相同的那部分數據進行訓練。這種方法叫做縱向聯邦學習。縱向聯邦學習就是將這些不同特征在加密的狀態下加以聚合，以增強模型能力的聯邦學習。目前，邏輯回歸模型，樹型結構模型和神經網絡模型等眾多機器學習模型已經逐漸被證實能夠建立在這個聯邦學習體系上，本期我們詳細介紹一下聯邦學習中的邏輯回歸算法模型。邏輯回歸算法是這樣的一個過程：面對一個回歸或者分類問題，建立代價函數，然后通過優化方法迭代求解出最優的模型參數，然后測試驗證我們這個求解的模型的好壞。Logistic回歸雖然名字里帶“回歸”，但是它實際上是一種分類方法，主要用于兩分類問題(即輸出只有兩種，分別代表兩個類別)。Logistic方法主要應用于研究某些事件發生的概率。因此，邏輯回歸模型是一種分類模型。現假設有一個二分類問題，輸出為y=0或者1，而線性回歸模型z=w^Tx+b是個實數值，因此我們希望有一個理想的階躍函數來巧妙實現z值到0/1值的轉化，機器學習經常使用Sigmoid函數來實現這個目的：y’=1/1+e^-z。邏輯回歸的優缺點有哪些？優點：1)速度快，適合二分類問題；2)簡單易于理解，直接看到各個特征的權重；3)能容易地更新模型吸收新的數據。缺點：對數據和場景的適應能力有局限性，不如決策樹算法適應性那么強。聯邦學習體系的邏輯回歸模型有很多解決方案。如：FATE的方案是建立在第三方的基礎上，如下圖所示：

百度提出的方案雖然避免了第三方，但是經過我們的論證，也存在數據/信息泄露問題。神譜科技的方案在設計當初就注意規避了第三方，而且有效解決了數據/信息泄露問題，這套方案是神譜科技自主創新并完成研發的去中心化的安全邏輯回歸算法，稱為：SeceumLR安全邏輯回歸算法，簡要說明如下圖所示。我們對SeceumLR算法進行了嚴格安全論證，確保不會泄露參與各方的隱私數據/信息。

上面是本期介紹聯邦學習體系下的邏輯回歸模型，方案中涉及的密碼學技術有很多，其中最重要的技術是安全多方計算(Secure Multi-Party Computation-SMPC/MPC)，下期我們主要介紹安全多方計算。

總結

以上是生活随笔為你收集整理的逻辑回归模型_联邦学习体系下——逻辑回归模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。