原标题：从算法解说到使用实战，这是一份完好的联邦学习入门教程（附课程视频）
3 月 26 日，机器之心联合微众银行开设的公开课《联邦学习 FATE 入门与使用实战》 第六讲结课，微众银行人工智能部高档研究员谭奔为咱们介绍了联邦引荐体系布景、联邦引荐体系分类以及现有作业、联邦引荐算法完成和联邦引荐在新闻引荐的使用。第六讲回忆视频：
第6课精选问答
Q：在纵向联邦因子分化机中，数据提供方输出预估成果会走漏信息吗？
我想这儿走漏是指，数据提供方输出部分预估成果过程中，他的原始数据是否会被其他参加方或许被第三方服务器反推。这儿信息走漏是不存在的。
首先在模型练习过程中，各方都是在加密环境下进行，然后各方根据自己的特征进行建模，具有自己的模型参数并保留在本地，两边都是不知道对方模型参数的内容，别的发送给对方的预估值是模型参数和特征的乘积和，在特征穿插的场景下，特征维度和参数个数非常大，可能是上千万，所以这个预估值是几千万个数字乘积汇总成一个值，然后传送给对方。对方想要从这个值推出它的原始数据是不可能的。所以输出预估成果不存在隐私走漏的危险。
Q：现在只支撑两方的联邦吗？可以拓宽到更多方吗？
可以的，在这个技术同享中，咱们为了将问题简化，更注重在算法逻辑的介绍，咱们把联邦参加数量约束在两个进行解说。其实它是可以分外的简略的拓宽到多方的。比方说以横向矩阵分化为比方，咱们的server可以别离接纳来自很多方的user profile梯度，进行汇总，然后再发送回去。
Q：后续会有哪些算法的支撑？
现在咱们支撑了矩阵分化，以及矩阵分化的多个变种，还有联邦因子分化机。接下来咱们会支撑根据深度学习的引荐算法。
Q：有联邦引荐和一般引荐的作用数据吗？
有。联邦引荐可以联合多方数据，在维护各方数据安全和用户隐私的情况下，构建新的引荐体系，提高引荐作用。咱们会比较新的联邦引荐体系和单个引荐体系的作用，它的提高很明显。
首先在方才的demo中有个直观的比较成果。对同一个用户，联邦引荐体系对item的排序成果比较一般引荐体系有很大改变。别的在实践使用场景中，比方咱们刚说到的内容引荐，咱们分流量做A/B test，可以正常的看到联邦引荐的作用提高非常大。
Q：user profile初始化最终同享同个user profile吗？
对的，在横向联邦引荐体系中，他们有很多相同用户，item不一样，在这个场景中, user profile是同享的。
全程回忆
《联邦学习 FATE 入门与使用实战》 是机器之心与微众银行联合开设的系列公开课，于3月5日正式开课，超越 1000 名同学一同在 4 周的时间内完成了 6 期课程的学习，微众银行与 VMware 资深工程师与研究员倾情教学，从 FATE 全体简介、环境装备到体系使用，协助初学者按部就班把握相关常识与技术。悉数回忆视频如下：
在为期 4 周的课程学习过程中，多位讲师答复了小伙伴们的很多疑问，其中有 50 余个问题被咱们广泛说到，所以咱们再次做了精选与修改，供咱们参阅。详情请重视 公开课专栏，点击 阅览原文即可跳转。
有更多对联邦学习感兴趣的同学，欢迎增加机器之心小帮手，补白「 FATE」，参加联邦学习沟通群。
接下来，咱们将继续推出更多主题的系列公开课，敬请期待。咱们有哪些想学习的主题，也欢迎在谈论区留言，组织！
责任修改：
