联手VMware重构云环境！联邦学习开源社区FATE重磅更新，首度支持联邦推荐功能抗疫战场上的好消息不断传来

前言：

　　抗疫战场上的好消息不断传来，关于“数据免疫力”的话题也不断升温。如同人体需要提升自身免疫能力以抵抗人际接触中的潜在病毒威胁，企业和个人用户数据如何提高“免疫能力” ，在越来越广泛的行业应用与合作中提升自身数据安全和防御能力？近来以破竹之势兴起的“联邦学习”进入行业视野。联邦学习在符合数据安全和政策法规的前提下，帮助各行各业实现多方协作训练AI 。 FATE(Federated AI Technology Enabler)作为联邦学习全球首个工业级开源框架，实现了同态加密和多方计算(MPC)的安全计算协议，支持联邦学习架构，内置了多种机器学习算法的联邦学习实现，是联邦学习领域一座绕不开的“丰碑” 。官网：https://ai.webankcdn.net/scvm/html/1579237972858.html

正文：

　　近日， FATE发布了2020年的第一个版本更新——FATE v1.3 。在这一版本中， FATE首次增加了联邦推荐算法模块FederatedRec ，该模块包含了6大推荐场景中常用的算法，包括5种纵向联邦算法和1种横向联邦算法，可用于解决联邦学习场景下的推荐问题，如评分预测，物品排序等。此外，与VMware中国研发开放创新中心云原生实验室的团队联合发布的KubeFATE也在这一版本中迎来了大更新，整体进行了重构，并引入了对最新版本的FATE-Serving支持，使得用户可以进行在线推理。最后，针对FederatedML等多个模块，新版本也进行了更新及优化。新版本将为开发者带来一个体验绝佳的FATE 。

　　该项目现已发布在GitHub：https://ai.webankcdn.net/scvm/html/1579237932478.html

　　FederatedREC：提升算法预测效果，优化产品分发效率

　　在FATE1.3版本中， FATE新增了联邦推荐算法模块FederatedRec ，使得联邦推荐模块更加明确化。这一算法模块包含了6大推荐场景的常用算法，主要有：

　　纵向联邦算法 Hetero FM(Factorization Machine)

　　横向联邦算法 Homo FM(Factorization Machine)

　　纵向联邦算法 Hetero MF(Matrix Factorization)

　　纵向联邦算法 Hetero SVD

　　纵向联邦算法 Hetero SVD++

　　纵向联邦算法 Hetero GMF(Generalized Matrix Factorization)

　　在这6类算法中， Hetero FM和Homo FM分别是纵向联邦和横向联邦两种场景下的FM(因式分解机)算法，该算法能够实现联合不同数据方的数据进行联合建模，对不同数据方直接进行显式的特征交叉和联合打分。而对于推荐场景下的算法， Hetero MF, Hetero SVD, Hetero SVD++和Hetero GMF也提供了丰富的联邦建模下的协同过滤算法包。基于FATE v1.3提供的算法工具，能够实现不同数据方之间的user-item ， user-user和item-item的矩阵分解。对开发者而言，通过联邦推荐这一模块，可以显著提升自己算法的预测效果及产品的分发效率。

　　KubeFATE：支持FATE-Serving实现在线联邦推理，完全重构Kubernetes安装更便捷