Фреймворк вертикального федеративного обучения

Развитие искусственного интеллекта и технологий вокруг него невозможно без данных. Однако источников внутри одной компании может быть недостаточно, а к обмену данными не готовы ни бизнес, ни клиенты. Решением и драйвером развития предиктивных моделей может стать федеративное обучение. Горизонтальный метод, при котором у всех участников один и тот же домен признаков, уже применяется в разных областях, но у него есть ряд ограничений. Перспективный метод повышения качества моделей — вертикальное обучение, когда участники обладают различными признаками для одних и тех же объектов и дополняют их без прямого обмена данными.

Наша команда разрабатывает и развивает новый фреймворк вертикального машинного обучения, который может применяться в медицине, финтехе, ритейле, электронной коммерции и в промышленности.

В докладе разберу:

• архитектуру фреймворка вертикального машинного обучения;
• распределённые алгоритмы, лежащие в основе фреймворка;
• вопросы безопасного обучения моделей без обмена данными;
• результаты численных экспериментов на реальном наборе данных.