可信联邦学习作业管理 新建联邦学习作业 获取横向联邦学习作业详情 获取纵向联邦作业详情 保存纵向联邦作业 保存横向联邦学习作业 查询联邦学习作业列表 查询特征选择执行结果 删除联邦学习作业 执行横向联邦学习作业 执行纵向联邦模型训练作业 父主题： 计算节点API

查看更多 →

纵向联邦建模场景 使用 TICS 多方安全计算进行联合样本分布统计 使用TI CS 可信联邦学习进行联邦建模 使用TICS联邦预测进行新数据离线预测 父主题： 使用场景

查看更多 →

可信联邦学习作业 概述 创建横向训练型作业 横向联邦训练作业对接MA 创建横向评估型作业 创建纵向联邦学习作业 执行作业 查看作业计算过程和作业报告 删除作业 安全沙箱机制

查看更多 →

CN横向扩容 功能介绍 数据库CN横向扩容。 该接口计划于2025-03-31下线，建议及时切换到新接口CN横向扩容/DN分片扩容/磁盘扩容。 调用接口前，您需要了解API 认证鉴权。 调用接口前，您需要提前获取到地区和终端节点，即下文中的Endpoint值。 接口约束 CN横向扩容步长1~9。

查看更多 →

的是车辆的纵向和侧向平顺性。 因此，本设计平顺性检测从纵向平顺性和侧向平顺性进行考量。 平顺性检测考虑的是整个仿真时间段的加速度均方根值。当纵向或侧向加速度均方根值大于，则认为对应的纵向/侧向平顺性检测不通过。 纵向平顺性关联的内置可视化时间序列数据为：accX。横向平顺性关联的内置可视化时间序列数据为：accY。

查看更多 →

训练型横向联邦作业流程 联邦学习分为横向联邦及纵向联邦。相同行业间，特征一致，数据主体不同，采用横向联邦。不同行业间，数据主体一致，特征不同，采用纵向联邦。xx医院的应用场景为不同主体的相同特征建模，因此选用横向联邦。 创建训练型横向联邦学习作业。 图1 创建训练型横向联邦学习作业

查看更多 →

修改完成后，单击“确认”，等待实例状态重新变成可用，表示已完成纵向扩容。 横向扩容Kafka集群-yaml模式 单击服务实例页面右上角的编辑按钮，编辑服务实例的yaml信息。 在弹出的yaml编辑框中找到kafka和zookeeper的资源描述信息，副本数量一般为标准的kubernetes

查看更多 →

访问控制 部署服务通过横向和纵向两种鉴权方式对用户操作进行访问控制，操作对象包含应用的增、删、改、查、部署等权限，以及集群的增、删、改、查等。 横向鉴权：部署服务按照软件开发生产线项目间隔离的逻辑，对同一租户不属于同一项目下的成员进行鉴权拦截，保证项目间成员不越权。 纵向鉴权：对同一项目

查看更多 →

”。 单击“启动发布”，并获取应用运行态的访问地址 图15 获取应用发布地址 将地址分享给5.d中添加的审批人。 审批人打开地址，输入账号和密码后，即可进行流程审批。 如果需要不登录表单，即可填写数据，可将表单的“基础设置”设置为“公开发布”，详细介绍请参见表单发布设置。 图16

查看更多 →

横向联邦学习场景 TICS从UCI网站上获取了乳腺癌数据集Breast，进行横向联邦学习实验场景的功能介绍。 乳腺癌数据集：基于医学图像中提取的若干特征，判断癌症是良性还是恶性，数据来源于公开数据Breast Cancer Wisconsin (Diagnostic)。 场景描述

查看更多 →

华为云上提供从348GB到4TB多款规格的HANA弹性云 服务器 ，最大规格支持208vCPU和4TB内存，这些云服务器均经过SAP官方认证，可应用于开发、测试和生产系统。 详情请参见SAP HANA节点规划。 客户价值 提供多款规格的HANA弹性云服务器，满足企业用户部署SAP HANA各种需求。

查看更多 →

String 纵向联邦算法类型枚举值。XG_BOOST，LIGHT_BGM， LOG ISTIC_REGRESSION（逻辑回归），NEURAL_NETWORK，FIBINET 枚举值： XG_BOOST LIGHT_BGM job_type 是 String 作业类型。HFL（横向联邦），VFL（纵向联邦）。

查看更多 →

保存纵向联邦作业 功能介绍 保存纵向联邦作业 调用方法 请参见如何调用API。 URI PUT /v1/{project_id}/leagues/{league_id}/fl-vertical-jobs/{job_id} 表1 路径参数 参数 是否必选 参数类型 描述 project_id

查看更多 →

自动标注工具，可按照系统定义的规则对当前数据进行自动检测，自动标注；也可自定义阈值规则对数据进行自动检测和标注；自定义概念漂移参数对数据进行概念漂移检测。 坐标轴修改工具，可修改主次坐标以及主次坐标的取值范围。如果一个图表内指标数量大于一个，可以设置指标对应的主次坐标。 清除标

查看更多 →

计算节点管理 同一个空间中的用户，在使用 可信计算 服务时（联邦分析和联邦机器学习），需要部署计算节点，接入己方数据，作为可信计算服务的输入，通过执行联邦分析和联邦机器学习作业后，最终拿到结果。 计算节点以容器的形式部署，支持云租户部署和边缘节点部署，用户可根据数据源的现状，采用合适的计算节点部署方案。

查看更多 →

来在图片上新增刺点，刺点的具体信息包括： 像控点的经度、纬度、高度及精度信息。 刺点所在的图片ID，以及在图片中的像素点位置信息，包括横向和纵向像素值。 刺点所属的任务ID信息。 调试 您可以在 API Explorer 中调试该接口，支持自动认证鉴权。API Explorer可以自

查看更多 →

使用场景 多方安全计算场景 纵向联邦建模场景 隐私求交黑名单共享场景 实时隐匿查询场景 可信数据交换场景 横向联邦学习场景

查看更多 →

等，为数据源计算节点提供全生命周期的可靠性监控、运维管理。 可信联邦学习 对接主流深度学习框架实现横向和纵向的联邦训练，支持基于安全密码学(如不经意传输、差分隐私等)的多方样本对齐和训练模型的保护。 数据使用监管 为数据参与方提供可视化的数据使用流图，提供插件化的 区块链 对接存储，实现使用过程的可审计、可追溯。

查看更多 →

根据需要设置不同的逻辑流程，并可以设置不同的分支节点或审批节点，同时也支持表达式的计算和发送邮件通知等功能，以满足不同场景的使用需求。如何进行流程设计，请参见创建事件触发流程、创建定时触发流程和创建表单触发流程。 说明： 设计流程时，流程中节点个数不能超过50个节点。其中，添加一

查看更多 →

说明： ModelArts和PriorityModelArts只有在CCE计算节点才能选择，IEF计算节点只能选择LOCAL。 执行脚本 用户本地的自定义执行脚本，样例请参考准备本地横向联邦数据资源中步骤4。 训练模型 用户自定义模型，样例请参考准备本地横向联邦数据资源中步骤3。 初始权重参数

查看更多 →

存储方式：是指计算节点部署时选择的存储方式，目前仅支持“主机存储”和“OBS存储”两种存储方式。前一种是指计算节点交互的数据存储在计算节点所在机器上，后一种是计算节点交互的数据存储在部署时选择的OBS桶中。 数据目录：计算节点部署时选择的存储路径，用于TICS服务的数据和外部交互。用户只有在目录中放置数据集等

查看更多 →