5.3　总结

在本章中，我们着重介绍了纵向联邦线性回归的两种方法。在5.1节，我们介绍了一种基本的纵向联邦线性回归方法，这种方法提供了在联邦学习中的一种算法设计范式，为之后更为实用和高效的方法提供了借鉴。5.2节在Yang等人综述的基础上，从一个实际业务场景中遇到的困境出发，对5.1节的方法进行了扩展，并用去中心化结构代替了可信第三方，使得该算法更贴合实际的业务场景。需要指出的是，联邦学习中的线性回归算法远远不止以上两种。在实际应用中，联邦学习中的线性回归问题往往随着实际的业务需求和系统条件的变化而变化。

除此之外，在诸如隐私保护机器学习、安全多方计算等相关领域，一些工作同样值得关注。它们往往不拘泥于横纵联邦的形式，而更关注安全性、训练效率、系统稳定性等各个方面。与线性回归相关的，例如：在更强的安全性方面，Wenting Zheng等人于2019年提出了一种基于恶意攻击模型的线性联合学习系统；SecureML中介绍了一种基于2PC（Secure Two-Party Computation）的隐私保护训练系统；而Fan等人在2020年发表的文献中探讨了在网络噪声环境下的线性模型的联合训练问题。