亿企邦
  • 首页
    •
  • 解决方案&服务
    •
  • 客户&案例
    •
  • 营销资讯
    •
  • 关于我们
    •
    18143453325 或 在线咨询 在线咨询
    亿企邦
    18143453325 或 在线咨询
    亿企邦

    快捷入口

    所在位置： 首页 > 营销资讯 > 行业动态 > FederatedML：训练稀疏数据效率提升，内存消耗再优化

    FederatedML：训练稀疏数据效率提升，内存消耗再优化

    时间：2022-04-19 06:39:01 | 来源：行业动态

    时间：2022-04-19 06:39:01 来源：行业动态

    除联邦推荐及KubeFATE的重点更新外，新版本针对FederatedML也做了进一步提升，在1.3中，纵向联邦广义线性模型(Hetero-LR、Hetero-LinR、Hetero-PoissonR)开始支持稀疏数据训练，开发者在训练稀疏数据时，能明显感到效率提升，内存消耗减少。解决分箱中32M限制，也使得特征分箱支持更高维度和更多样本的数据。纵向SecureBoost 梯度直方图32M限制的解决，让FATE可以支持更高维度特征进行secureboost的训练。

    总的来说，1.3版本对FATE功能性及实践应用价值进行了强化，联邦推荐算法子模块FederatedRec的添加，对于用户而言，最明显的益处在于可以利用联邦推荐来提升自己算法的预测效果和产品的分发效率，使推荐服务的质量更上一个台阶。这对于第一方数据不够丰富，或者在业务的初始时期数据积累较少的用户方，是非常有帮助的。而KubeFATE也开启了FATE在生产环境，尤其是云原生环境上最优化管理使用的功能更新探索之路。后续，微众银行也将和VMware进一步合作，推出基于FATE的多方管理新项目。

    关键词：消耗,提升,训练

    推荐文章

    新闻资讯

    整合营销 网络营销 网络推广 信息时代 建站知识 网站运营 公司新闻 行业动态 品牌营销

    推荐资讯

    74
    73
    25
    news

    微信公众号

    版权所有© 亿企邦 1997-2022 保留一切法律许可权利。

    为了最佳展示效果，本站不支持IE9及以下版本的浏览器，建议您使用谷歌Chrome浏览器。 点击下载Chrome浏览器
    关闭