联邦学习

有道是，不懂技术的专利代理师跟咸鱼有什么区别。。。

本系列旨在总结“办案”（听起来很牛逼的样子，其实就是码字）过程中涉及到的基础技术知识。由于大部分知识来源于其他专业人士的原创文章（当然是经过筛选的、比较通俗易懂的），在此就不复制粘贴了，一般会附上原文链接以表敬意，有需要时候翻看。主要以记录对自己有启发的知识点和框架性的知识结构为主，先写写看，后续再调整。

一、联邦学习概述

联邦学习系统构架 联邦学习的定义

联邦学习基础介绍详见：https://blog.csdn.net/weixin_41125270/article/details/102627704 （联邦学习（Federated Learning）分类及架构设计，作者：有梦想的咸鱼~）

核心步骤：从不同数据拥有方中确定共有用户群体，对共有用户群体数据进行加密后训练。

引发的问题：

看起来是A公司和B公司各自用各自的数据训练模型A和模型B，最后再结合成组合模型么？那么，怎么组合的呢？最终A公司和B公司得到的可使用的模型是啥呢？

二、涉及到的几个与模型评价相关的概念：

1、模型区分度指标KS值(Kolmogorov-Smirnov)

ks值的直观理解：识别率（真阳率）－　误判率（假阳率）

就是需要模型更多的识别出好人，更少的将坏人认做好人！

具体详见：https://blog.csdn.net/zs15321583801/article/details/88217839 （模型区分度指标KS值，作者： 棒子皮蹦蹦床）

2、模型稳定度指标(population stability index ,PSI)

直观理解：由于模型是以特定时期的样本所开发的，此模型是否适用于开发样本之外的族群，必须经过稳定性测试才能得知。

具体参见：

1）https://www.cnblogs.com/Allen-rg/p/11512095.html（比较详细）

模型稳定性指标—PSI

2）https://blog.csdn.net/guhongpiaoyi/article/details/79043531（有个直观的例子）

模型、数据分布稳定性    作者： 人工智能times