本讲主要介绍隐语纵向树模型原理及工程实现介绍。关于纵向多方协同的集成树模型XGB算法，隐语提供了基于两种不同加密协议实现的算法，一种是基于MPC协议实现SS-XGB， 一种是基于半同态加密算法实现的SecureBoost。
一、背景-纵向数据分割场景和树模型
普通的树模型是不区分横向和纵向概念的，纵向树模型即基于纵向分割数据集训练的决策树模型。纵向数据集一般来自于前置步骤特征隐私求交得到，特征来自于各个参与方，只有一方拥有标签。各个参与方不期望将特征以明文的形式直接传递给其他参与方，也不希望泄漏相关重要信息。纵向树模型主要用于联合建模（不同特征维度、合作得到的联邦模型比单方训练的模型效果更优），并且树模型有较好的可解释性。
根据不同的安全程度要求，隐语实现了可证安全算法SS-XGB和纵向联邦算法SGB。
二、使用-隐语纵向树模型
跟传统的机器学习一致，SS-XGB包括准备阶段（环境和数据集，主要是SPU配置和加载纵向数据），训练阶段（参数设置和执行，XGBoost的参数较多，需要精心设置）以及模型评估（分为安全和不安全的评估方法，计算指标和采取进一步决策）。SGB也一样，分为准备HEU和数据阶段，设置训练参数，以及模型评估和保存。
隐语框架实现了设备抽象，Python实现分层架构-算法，灵活易读易于维护，分层架构-原语，对瓶颈算子进行优化，并且借助开源进行共享共建。
三、原理和实现-从理论到工程
首先确定保护的数据部分，哪些数据在秘密分享下进行，其中任何数据都被MPC保护。其次准备安全原语，设计用于MPC计算的算子，如秘密分享、加/乘法等。最后进行数据结构和算法的改造。
开发实战包括如何在组件中封装算法，根据算子已经实现的功能，定义组件参数和输入输出，建立安全设备，调用引擎方法和存储结果。进行算法的改造，即如何增加训练参数、修改功能等，明确要修改的算法模块，找到对应的代码模块。之后就是模型序列化以及保存和导出。
四、实践
见作业。