「AI开发者成长计划」首期公开课由机器之心与微众银行联合开设，主题为《联邦学习FATE入门与应用实战》，特邀合作伙伴 VMware 也将参与分享。 公开课为期4周，共6期课程 ，设置主题分享、项目实践、在线答疑等环节，从零入门联邦学习。
整体学习计划与加入方式请查看：《联邦学习FATE入门与应用实战》公开课上线！
3 月 17 日，机器之心联合微众银行开设的公开课《联邦学习 FATE 入门与应用实战》第三讲结课，微众银行人工智能部算法研究员谭明超为我们分享了《联邦学习 FATE 算法模块梳理及建模演示》。
第三课精选问答
Q：请问稀疏数据input都有哪些？
我们现在主要支持的是两种，tag和tag:value，比如说我这个人是不是有车、有房、是男是女等等，tag:value就是说比如说年龄:40，身高:1.6米等等。
Q：union是做什么？针对横向联邦吗？
不是，union是一个单边的组件，它只是把两个组件输出的数据合并起来而已，就只干这一个事情。
Q：预测的结果在哪里看？仅guest方持有吗？
对，只有guest方持有，在纵向联邦当中是这样的。对于横向联邦，每一方都有自己的模型，一般来讲在横向的模块当中是不需要加密的，但是横向lr我们是提供了对host加密的模型计算方法。这种情况下，Host方是拿不到这个模型的。
Q：预处理及特征工程可以介绍一下么？
目前FATE实现的特征工程组件包括采样、联邦特征分箱，联邦特征选择、特征归一化、onehot编码等等。具体的内容，在github上有详细的文档介绍：https://github.com/FederatedAI/FATE/tree/master/federatedml/feature
Q：如何对数据质量进行评估？
在建模的时候，FATE提供了一个local_base的组件，可以使用本地的数据建模，从而和联邦以后的建模效果进行比对。除此以外，还可以看看交集的数量，求对方特征的iv值进行比较等等方式。
Q：如果没有同态加密的，联邦和分布式有什么区别？
这个区别还是挺大的。分布式是你自己的的集群，你自己可以随便访问数据，但联邦学习即使没有用到同态加密，比如说只用了安全聚合的方式，你也是access不到别人的数据的，对于arbiter来说，只能得到最终所有模型聚合的和。
