个

SecretFlow隐语 V0.6版本，在功能方面我们新推出了一系列联邦学习和隐私增强机器学习算法，比如水平场景下的XGBoost算法、垂直场景下的HESS-LR算法。在预处理方面，新增水平场景下的数据标准化、离散化、分箱功能，以及垂直场景下的相关系数矩阵、WOE分箱功能，无缝对接已有的dataframe，提供和sklearn一致的使用体感。在安全方面，隐语进一步完善了密态设备的架构体系，新增同态加密设备，该设备支持Paillier同态加密算法，并向上层提供numpy编程接口。同时，新增差分隐私安全原语，因此增强了对拆分学习的隐私保护。

图：隐语框架V0.6开源模块

1. MPC设备

支持大部分Numpy API，支持自动求导，提供LR和NN相关的demo，支持pade 高精度定点数拟合算法，支持 ABY3、 Cheetah 协议。用户可以采用传统的算法编程模式，在不了解MPC协议的情况下开发出基于MPC协议的AI算法

2. HE设备

支持Paillier同态加密算法，向上层提供Numpy编程接口，用户可以使用Numpy接口做矩阵加法或者明密文矩阵乘法运算。且实现了与MPC密态设备之间的数据可流转。

3.差分隐私安全原语

实现了一些差分隐私噪声机制、安全噪声生成器、隐私开销计算器。

4. 明密文混合编程

支持中心化编程模式，使用@device标记构建明文和密文设备混合计算图，基于计算图进行并行、异步任务调度。

5.数据预处理

提供水平场景下的数据标准化、离散化、分箱功能，提供垂直场景下的相关系数矩阵、WOE分箱功能。无缝对接已有的dataframe，提供和sklearn一致的使用体感。

6.AI & BI 隐私算法-多方安全计算

提供水平场景下的XGBoost算法、新增垂直场景下的HESS-LR算法，并结合差分隐私增强了对拆分学习的隐私保护。

7.AI & BI 隐私算法-联邦学习

提供联邦学习模型构建和包括SecureAggregation，MPC Aggregation在内的多种安全模式的梯度聚合，用户只需要在模型构建时给出参与方list和聚合方法，之后的数据读取，预处理到模型训练的体验和传统明文编程几乎一致。

点击文末，阅读原文，前往隐语开源代码仓