纵向LR

联邦学习

某互联网企业A和某金融企业B，达成了企业级的合作，于是他们想联合起来搞点事情。互联网企业A有用户的上网行为数据X1，金融企业B有用户的信用，消费等特征数据X2和标注数据Y，把两边的数据特征结合到一起，再通过机器学习来提高金融产品购买的转化率。但是在合作时遇到问题了，由于不同行业之间的行政手续，用户数据隐私安全，企业A，B无法互通数据。
现实中这样的“数据孤岛”问题非常常见，对人工智能的现有模式提出了全新的挑战。
那么什么是联邦学习呢？还是回到刚才我们说的那两个例子，企业A和B他们在已经获取在用户认可可使用数据的前提下，想各自建立模型完成分类或者预测，但是由于数据特征不完整（A只有用户特征数据，B只有产品特征和标注特征），导致训练出来的模型质量不高。而联邦学习就是解决这个问题：联邦学习做到企业在本地训练模型，数据不出本地，而系统通过交换模型参数的方式，来建立一个虚拟的共享模型，而建好的模型又在各自的区域为本地的目标服务，这样既可以不泄露用户数据隐私，又可以达到高质量的效果。在这样一个联邦的机制下，每个参与者的地位是相同的。

联邦学习的分类

根据数据孤岛的类型，可以把联邦学习分为横向联邦学习，纵向联邦学习和联邦迁移学习。
横向联邦学习：数据在特征维度重叠较多，在用户维度重叠较少
纵向联邦学习：数据在用户维度重叠较多，在特征维度重叠较少

https://zhuanlan.zhihu.com/p/94105330