详细介绍一下什么是联邦学习，其应用领域和场景是什么，发展演讲路线是什么呢？

1. 联邦学习指的是多个实体在中央服务器的协调下进行机器学习训练。每个实体的数据存储在本地，不进行交换和传输，只进行一些中间结果的聚合来达到训练目标。
2. 联邦学习主要利用了多方的数据，能够得到更好的模型，比如医疗领域做疾病预测、金融领域反欺诈模型、零售业进行商品推荐等。
3. 谷歌于2016年提出了联邦学习的概念，经过几年的研究和发展，已经在很多领域得到了广泛应用。

一、什么是安全联邦学习-工作流模式
功能介绍：通过工作流的模式，在原始数据不出域的前提下，通过交换各个参与方的算法训练的中间结果梯度、参数信息，或完全在密文条件下进行计算，从而发挥参与多方数据样本更丰富、更全面的优势，得出更优模型。

安全联邦学习，分为横向安全联邦学习、纵向安全联邦学习。其中，纵向安全联邦学习，联合多个参与者的共同样本的不同数据特征进行安全联邦学习，即各个参与者的训练数据是纵向划分的。横向安全联邦学习，联合多个参与者的具有相同特征的多行样本进行安全联邦学习，即各个参与者的训练数据是横向划分的。

image.png
二、哪些场景适合用安全联邦学习？
适用场景：纵向安全联邦学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，例如某银行和某电商平台，分别拥有一部分客户数据，拥有的客户特征不一样，银行拥有客户的金融信用数据，电商拥有客户的电商消费数据，期望联合两方数据训练精准营销模型，则适合使用纵向安全联邦学习。横向安全联邦学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，例如两家银行，分别拥有一部分客户数据，拥有的客户特征相似，但各自数据偏少，期望联合两方数据训练共同训练评分卡模型，则适合使用横向安全联邦学习。

参考文档https://help.aliyun.com/document_detail/2525359.html?spm=a2c4g.356688.0.i13