联邦学习开源框架FATE新版本发布！配套引擎EggRoll焕新登场( 二 ) 如何在保证本地训练数据不

----联邦学习开源框架FATE新版本发布！配套引擎EggRoll焕新登场//----

FATEBoard：新增Pearson相关性可视化矩阵图，支持GLM的stepwise方法、横向Secureboost等可视化输出

FATEBoard是联邦学习建模的可视化工具，为终端用户可视化和度量模型训练的全过程，能够帮助开发更简单、高效地进行模型探索和模型理解。 FATEBoard由任务仪表盘、任务可视化、任务管理与日志管理等模块组成，支持模型训练过程全流程的跟踪、统计和监控等，并为模型运行状态、模型输出、日志追踪等提供了丰富的可视化呈现。

在FATE1.4版本中， FATEBoard新增了Pearson相关性的可视化矩阵图，可帮助开发者查看guest特征之间，以及guest与host特征之间的相关性大小。而对GLM(纵向LR、纵向线性回归、纵向poisson回归)的stepwise方法的结果可视化输出的支持，则能够帮助开发者准确地观察每一步的模型拟合统计、特征分析、最大似然分析、待进入特征分析等情况。对横向Secureboost的可视化树模型输出， LR、localbaseline在one_vs_rest下的可视化输出的支持，也进一步丰富了FATEBoard在更多场景下的适用性。

最后，新版本对FATEBoard的视觉和交互体验上也做了重大提升，支持大数据量下图表的可视化，优化页面视觉效果及交互细节。通过尝试，建模人员可以明显感受到FATEBoard的可用性与易用性在这一版本中所呈现的全方位提升，必将帮助建模人员更好地理解与分析模型。

支持EggRoll2.0：稳定性、性能以及用户体验显著提升

作为FATE1.4版本的一个重点， EggRoll也迎来了巨大提升，在稳定性方面， FATE采用了全新的资源管理组件及session机制。从这一版本起，即使session出错，也只需要一个简单函数调用，临时拉起的计算进程即可被清理。此外，此版本也移除了storageservice ，无需C++/native库的编译，开发者从下载代码到运行起来的步骤进一步减少，编译与环境依赖也更加简化，基本上已可实现开箱即用。最后，面对在任意网络下传输都会产生的丢包现象，新版本也做了适配，联邦学习算法在28%的丢包率之下依然可以实现正常运行。

在性能方面，在实践中相信开发者能够感受到，运行于Eggroll2的联邦学习算法性能显著提升，部分算法甚至可以达到超过10倍的性能提升，此外， Join接口在联邦学习场景下，也实现了比pyspark快16倍的速度，开发者的计算/建模将更为高效。

而在用户体验方面，新版本已可快速部署，只需Maven编译、pip安装依赖、修改配置，即可运行。此外，这一版本也变得更加易于调试，新版本中不仅提供了必要的运行上下文信息，还将调试的关键系统状态保存在日志文件及数据库中，当开发者遇到报错信息时，排查将变得更加快捷。最后，常驻进程在这一版本中也进行了大幅度削减，现在的常驻进程仅三个：

ClusterManager(CM)：管理集群的物理资源，管理session信息

NodeManager(NM)：管理一个机器节点上的物理资源