.. MindSpore documentation master file, created by sphinx-quickstart on Thu Mar 24 11:00:00 2020. You can adapt this file completely to your liking, but it should at least contain the root `toctree` directive. MindSpore Federated 文档 ========================= MindSpore Federated是面向MindSpore开发者的开源联邦学习工具，在用户数据留存在本地的情况下，使能全场景智能应用。 联邦学习是一种加密的分布式机器学习技术，用于解决数据孤岛问题，在多方或者多资源计算节点间进行高效率，安全且可靠的机器学习。支持机器学习的各参与方在不直接共享本地数据的前提下，共建AI模型，包括但不限于广告推荐、分类、检测等主流深度学习模型，主要应用在金融，医疗，推荐等领域。 MindSpore Federated提供样本联合的横向联邦模式和特征联合的纵向联邦模式。可支持面向亿级无状态终端设备的商用化部署，也可支持跨可信区的数据中心之间的云云联邦。 代码仓地址： <https://gitee.com/mindspore/federated> 使用MindSpore Federated横向框架的优势 ---------------------------------------- 横向联邦架构： .. raw:: html <img src="https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r2.0/docs/federated/docs/source_zh_cn/images/HFL.png" width="700px" alt="" > 1. 隐私安全 支持基于多方安全计算（MPC）的精度无损的安全聚合方案，防止模型窃取。 支持基于本地差分隐私的性能无损的加密方案，防止模型泄漏隐私数据。 支持基于符号维度选择（SignDS）的梯度保护方案，防止模型隐私数据泄露的同时，可将通信开销降低99%。 2. 分布式联邦聚合 云侧松耦合集群化处理方式，和分布式梯度二次聚合范式，支持千万级数量的大规模异构终端部署场景，实现高性能、高可用的联邦聚合计算，可应对网络不稳定，负载突变等问题。 3. 联邦效率提升 支持自适应调频策略，支持梯度压缩算法，提高联邦学习效率，节省带宽资源。 支持多种联邦聚合策略，提高联邦收敛的平滑度，兼顾全局和局部的精度最优化。 4. 灵活易用 仅一行代码即可切换单机训练与联邦学习模式。 网络模型可编程，聚合算法可编程，安全算法可编程，安全等级可定制。 支持联邦训练模型的效果评估，提供联邦任务的监控能力。 使用MindSpore Federated纵向框架的优势 ---------------------------------------- 纵向联邦架构： .. raw:: html <img src="https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r2.0/docs/federated/docs/source_zh_cn/images/VFL.png" width="700px" alt="" > 1. 隐私安全 支持高性能隐私集合求交协议（PSI），可防止联邦参与方获得交集外的ID信息，可应对数据不均衡场景。 支持结合量化与差分隐私的特征保护软件方案，防止攻击者从中间特征重构出原始隐私数据。 支持基于可信执行环境的特征保护硬件方案，提供高强度且高效的特征保护能力。 支持基于差分隐私的标签保护方案，防止泄漏用户标签数据。 2. 联邦训练 支持多类型的拆分学习网络结构。 面向大模型跨域训练，流水线并行优化。 使用MindSpore Federated的工作流程 ----------------------------------- 1. `识别场景、积累数据 <https://www.mindspore.cn/federated/docs/zh-CN/r0.1/image_classification_application.html#准备工作>`_ 识别出可使用联邦学习的业务场景，在客户端为联邦任务积累本地数据。 2. `模型选型、框架部署 <https://www.mindspore.cn/federated/docs/zh-CN/r0.1/image_classification_application.html##生成端侧模型文件>`_ 进行模型原型的选型或开发，并使用工具生成方便部署的联邦学习模型。 3. `应用部署 <https://www.mindspore.cn/federated/docs/zh-CN/r0.1/image_classification_application.html#模拟启动多客户端参与联邦学习>`_ 将对应组件部署到业务应用中，并在服务器上设置联邦配置任务和部署脚本。 常见应用场景 ----------------- 1. `图像分类 <https://www.mindspore.cn/federated/docs/zh-CN/r0.1/image_classification_application.html>`_ 使用联邦学习实现图像分类应用。 2. `文本分类 <https://www.mindspore.cn/federated/docs/zh-CN/r0.1/sentiment_classification_application.html>`_ 使用联邦学习实现文本分类应用。 .. toctree:: :maxdepth: 1 :caption: 安装部署 federated_install deploy_federated_server deploy_federated_client deploy_vfl .. toctree:: :maxdepth: 1 :caption: 横向应用实践 image_classfication_dataset_process image_classification_application sentiment_classification_application image_classification_application_in_cross_silo object_detection_application_in_cross_silo .. toctree:: :maxdepth: 1 :caption: 纵向应用实践 data_join split_wnd_application split_pangu_alpha_application .. toctree:: :maxdepth: 1 :caption: 安全和隐私 local_differential_privacy_training_noise local_differential_privacy_training_signds pairwise_encryption_training private_set_intersection secure_vertical_federated_learning_with_EmbeddingDP secure_vertical_federated_learning_with_TEE secure_vertical_federated_learning_with_DP .. toctree:: :maxdepth: 1 :caption: 通信压缩 communication_compression vfl_communication_compress .. toctree:: :maxdepth: 1 :caption: 横向联邦API参考 horizontal_server cross_device horizontal/cross_silo .. toctree:: :maxdepth: 1 :caption: 纵向联邦API参考 Data_Join vertical/vertical_communicator vertical_federated_trainer .. toctree:: :maxdepth: 1 :caption: 参考文档 faq .. toctree:: :glob: :maxdepth: 1 :caption: RELEASE NOTES RELEASE