联系我们
售前咨询
售后咨询
400-7676-098
更多联系方式 >
SOPHON FL
星环联邦学习平台
数据流通
/
隐私保护
/
打破数据孤岛
/
横向联邦
/
纵向联邦
产品简介
Sophon FL作为一款联邦学习平台,可在密文空间中,支持多参与方或多计算节点之间开展高效率的数据分析、建模和模型发布,达到数据不动模型动、数据可用不可见的效果。
Sophon FL支持同态加密、差分隐私、不经意传输和可信计算等隐私计算技术,支持横向、纵向和迁移学习等多种模式。
Sophon FL能提供什么?
基于密码学保障的分布式隐私计算技术
使用了差分隐私、同态加密、掩码技术、不经意传输的联邦学习技术和可信计算技术,结合公司高性能的分布式算法,可以在海量密文数据上运行分布式机器学习算法,实现“原始数据不动模型动”、“数据可用不可见”的效果
适应各场景的自定义任务角色
Sophon FL支持用户根据自身业务场景数据情况选择横向或纵向联邦建模任务,并能自定义联邦任务中的主动方、参与方、协调方、模型使用方等,完成任务角色配置,让用户能够更大效率地配置其数据资产
图形化的向导式配置任务
Sophon FL提供联邦任务向导式配置服务,支持:联邦数据预处理、联邦特征工程、模型参数配置等流程的向导式图形化配置,有效降低用户学习成本
丰富的联邦特征工程
Sophon FL平台中内置了丰富的联邦特征工程算法,如:联邦缺失值填充、联邦字符串索引、联邦标准化与联邦归一化等,能够在保障数据在不出本地的情况下,联合各方数据进行联邦数据清洗及联邦特征工程,为后续联邦建模提供保障
强大的联邦建模
Sophon FL支持横向及纵向的逻辑回归、线性回归、K均值等常用统计分析和机器学习算法,并针对联邦学习中的数据分布不一致问题,对多种场景和算法提供了个性化联邦学习算法的适配和改造
多样的联邦数据和模型评估
支持输出丰富的数据质量和算法模型评价指标,帮助用户确定联邦数据质量和模型在制定场景下的业务效果,实现联邦意义下各方特征质量和重要性的度量、各方数据贡献度和模型效果的有效量化
为什么选择Sophon FL?
权威化的
数据安全认证
Sophon FL是国内首批通过信通院资质认证的联邦学习平台,并且通过信通院“卓信大数据计划”安全专项评估认证,支持多方在数据隐私保护的前提下进行AI协作;同时,其研发团队深度参与联邦学习行业标准的撰写,充分理解行业场景,并借助权威认证的平台服务,在满足用户具体需求的同时,切实保障其数据安全
多元化的
计算框架提供
Sophon FL支持横向联邦、纵向联邦及联邦迁移等多种场景,也支持自研Sophon、Spark以及Tensorflow、PyTorch等深度学习框架,并提供专家级应用服务,能够满足企业多种垂直应用场景下的AI需求,有效降低企业决策成本
个性化的
联邦学习建模
Sophon FL在各参与方数据不互通的情况下,就能完成联合建模,实现数据不动模型动的效果,从而避免数据泄露;同时其提供的个性化联邦学习建模服务,能够针对本地数据和联邦模型进行微调,进一步提升联邦模型性能
良好稳健
与灵活的系统
Sophon FL拥有良好的系统稳健性,能够有效应对非恶意性错误和显式攻击,进一步保障联邦模型的安全;同时,其系统部署非常灵活,能支持实体部署、容器部署、云上部署等多种方式,有效降低企业AI协作所需的人力成本,真正意义上实现降本增效
应用案例
  • 群租房预测
  • 精准联合营销
  • 联邦信贷风控
客户需求
○ 为整治群租问题,政府需要投入大量人力物力财力,过去主要依靠群众举报,不仅效率低下且往往整治完不久后又“回潮”
○ 在政务与信息化的深度融合背景下,政府部门根据用电数据对群租房进行建模预测,但最终模型效果有待提升
○ 水务部门拥有用户的用水数据,可与电力数据融合以有效扩充特征,但受限合规要求双方数据无法共享
解决方案
○ 使用Sophon FL分布式联邦学习平台,其集隐私计算、加密网络通信等多种功能,为多方安全建模提供安全可靠的解决方案
○ 利用平台自带工具,分别对用电数据和用水数据进行数据清洗以及特征工程,并进行联邦学习模型的训练
○ 模型训练完毕后,基于平台自带可视化的模型评估功能,双方可直观地从准确性、稳定性等方面对模型进行评估
项目成果
纵向联邦模型训练完成后,比起单独用电数据训练的群租房识别模型,准确率提升显著
在整个模型训练的过程中,无明文数据出本地,各方数据隐私安全受到严格保护

星环科技,构建明日数据世界