联邦技术数怎么算（何为联邦）

联邦计算:不暴露真实数据如何完成合作建模?

**广告搜索推荐**：通过数据加持进行联合建模，保护消费者隐私和数据安全，提升算法准确率，提高广告投放效果，推动业务持续高效增长。DataTrust架构设计旨在满足企业在数据合作中对隐私保护的严格要求，通过技术创新实现数据价值的高效流通，为企业带来实际业务增长。

垂直联邦学习（VFL）是一项近年来在数字经济发展和构建数据要素市场中不可或缺的核心技术，该技术作为联邦学习（FL）的重要分支之一，特别关注于解决多方拥有相同样本/用户但持有不同特征数据的联合建模问题。

数据建模大致分为三个阶段，概念建模阶段，逻辑建模阶段和物理建模阶段。其中概念建模和逻辑建模阶段与数据库厂商毫无关系，换言之，与MySQL，SQL Server，Oracle没有关系。物理建模阶段和数据库厂商存在很大的联系，因为不同厂商对同一功能的支持方式不同，如高可用性，读写分离，甚至是索引，分区等。

FMPC的四个关键模块包括：联邦学习，确保数据安全建模；多方安全计算，提供数据安全求交和分析功能；匿踪查询，保护查询隐私；以及联盟区块链，实现电子存证和智能合约，保障数据安全。平台已成功应用于信贷联合风控、医疗机构联合科研统计等场景，解决数据孤岛问题，保护用户隐私。

计算完成后，结果会以图形或数据文件的形式输出，便于设计者进行查看和分析。如果计算结果不满足设计要求，设计者需要返回修改设计数据，并重新进行计算，直到满足要求为止。最后是施工图绘制。在PKPM中，完成结构计算后，设计者可以利用软件提供的绘图功能，绘制出满足规范要求的施工图。

Fedlearner还提供一键部署与可视化平台，利用Kubernetes+HDFS/MySQL/Elasticsearch解决方案，实现大规模数据处理。基于K8s Helm Charts部署系统，用户可通过一键脚本快速建立集群，同时利用可视化Web平台与Ticket预授权系统优化任务管理。