隐语课程第5课，简单介绍了隐语的算法能力，包括预处理、隐私求交、决策树模型、线性回归模型、神经网络模型，并且支持数据水平切分（横向联邦）、垂直切分（纵向联邦）、混合切分（横纵向联邦）。
隐语提供了包括对DataFrame的封装，以及提供联邦ndarray的封装，和python的使用基本一致，上手较快，比较平滑。横向、纵向联邦场景都比较容易理解，横向一般面向to C场景，纵向一般解决to B的场景。关于混合切分场景，则会有些难理解，个人理解，一般在大型的机构（包含同业务多个子公司）的联邦场景下，可能会用到。比如两家运营商机构，既可能存在特征的互补，有可能同时存在内部多子公司对于数据的水平切分。
DataFrame以及FedNdarray提供的能力，与python明文场景类似。提供的某些预处理函数，可以直接使用dataframe的api处理。也可以采用sf.preprocessing包中的方法处理，与sklearn功能类似。这部分对于平时用python、sklearn比较多的同学来说门槛不大。
在垂直拆分场景，一般需要用到隐私求交算法，隐语提供了多种psi算法。用法也有多种，可以将psi当成独立的一种服务能力。也可以放在纵向联邦场景中去使用。
隐语提供了关于集成树模型的多种不同实现，ss-xgb是指底层使用mpc协议实现的xgb模型，从业内的多家厂商实践来看，比较适合在带宽友好的场景下使用，通信成本较高，但安全性较好。sgb则是通过半同态加密算法实现，算法设计来自fate团队，且后续又推出了优化改进版本，性能不错，但从已知的论文讨论来看，可能会存在一定的安全风险，不过也有相应的缓解措施，适合在带宽受限的场景下使用，通信压力较小，计算量较大。而sfxgboost则是普通的联邦，不推荐使用。横向对比业内厂商的算法实现，在性能层面，各家彼此差距不大。隐语的优势可能还是在安全攻防层面的充分测试。
隐语支持多种线性回归模型，推出的ss-sgd采用mpc协议进行实现，安全性较好，通信量大，支持线性回归以及逻辑回归。hess-sgd采用同态加密和秘密共享混合使用的模式，将mpc和同态加密的优势互补，业内蓝象、洞见、华控、富数基本也有采用类似的方案，同态加密通信量较小、mpc协议的计算量较小。不过只实现了逻辑回归。ssglm实现了广义线性回归，依然采用mpc协议，隐语团队可能对安全性的要求相对较高，偏好使用可证安全的mpc协议进行实现，但性能上可能会受到一定影响。后来听说在某些场景下会采取安全退让的方式，在性能与安全性之间做平衡。如果性能满足不了商用，那么安全性也将无从谈起。横向对比各家厂商的算法性能，也是基本在同一水平，可能借助硬件加速等手段还能进一步助力性能的提升。
隐语针对神经网络算法，分别提供了两套api，分别是FLModel以及SLModel。SLModel就是拆分学习。
关于水平联邦神经网络算法，比较容易理解，各方都有完整的训练数据，无非就是需要做权重参数的聚合平均等操作，所以你可以使用tf和torch作为backend来编写模型代码，然后采用隐语内置的多种安全聚合策略来实现权重参数的联合更新，就可以在flmodel框架下完成水平模型训练。
垂直拆分学习，同样支持tf和torch作为backend。和水平联邦不同的是，各方只持有完整模型的一部分。一般实现的模型结构为bottom+top结构，bottom分布在各个参与方本地，本地计算多层网络，最后一层输出的结果会将采取某种安全方式，发送到guest方进行拼接或者聚合等操作（也称为交互层），然后继续训练top层，再结合真实的标签信息，来完成误差计算和反向传播迭代更新参数。由于神经网络参数规模一般较大，因此隐语提供了多重稀疏化和量化压缩的算法，来支持计算的加速。
总体来看，隐语提供的联邦算法，倾向于基于mpc协议实现，不过带来的问题就是通信量大。因此需要看具体应用场景，灵活选择合适的算法。
