戴宇回忆起来，一个月前的叶方明也挺神经兮兮的。

就是这段时间，莫名稳重了许多，让他们下意识的忽略了过去离谱且爱发疯的叶方明。

只记得现在这个优秀又稳重的全能学霸叶方明。

时间过得好快呐……

看着窗外的景色，戴宇这才发现，已经马上要步入真正的秋季了。

余下夏花两三瓣，云隙间窥得一丝蔚蓝。

马上就要中秋了，他忽然想到。

应该给爸爸买一个礼物的，这段时间离不开他对自己的照顾，然后坐在桌子上吃一顿大餐团团圆圆。

一想到这，戴宇的嘴角就忍不住勾起一丝笑意。

即将放假的前一周，几乎所有学生和老师的内心都充满了隐隐的期待，期待着美好假期的到来。

有关于启布置的每周作业，叶方明也稍微有了一点头绪。

正如宁溪给他的灵感，他打算直接使用联邦学习。

联邦学习的方法有三种，分别是横向联邦学习，纵向联邦学习和联邦迁移学习。

这三种方法运用场景不同，功能也不尽相同。

在使用联邦学习前，必须要理解的一个概念是特征空间、标签空间、样本ID空间三者共同组成了训练数据集。

训练数据集通俗来讲，就是来训练机器学习模型的数据集合。

集合中包含了标签、特征、输入数据等各种信息，可以帮助准确预测新数据的标签或输出。

横向联邦学习是基于样本的学习，也就是说，在多个数据集拥有相同的特征空间，但拥有不同的样本id空间。

举个更简单的例子就是，不同地区的保险公司，他业务和同行不会有太大差别，但由于地区位置的限制，他们的客户之间不尽相同，客户之间很少会有重合的。

纵向与横向刚好相反，样本ID空间相同，但特征空间不同。

那么同理，这个应用场景则是同一地区的保险公司和银行。

虽然都涉及到钱，但他们的业务是不一样的，但由于都在一个地区，他们的客户之间存在很多重合。

尽管大家住在一个小区，但楼栋不同，门牌号也肯定不一样。

但大家都会去小区门口的便利店买烟，也会去小区台球室打打台球。

虽然便利店和台球室是两个完全不同的个体经济，但他们的客户都是这个小区的居民。

至于最后一个联邦迁移学习，样本ID空间和特征空间这两个全都不一样。

简单举例，就是比较不同小区的便利店和台球室。

启给了叶方明银行的资料，让他作为银行来分析随机十个阳城本地人的是否有借贷能力。

另外一个任务是随便编几个程序，能解决百万富翁问题就够了。

说简单，那也挺简单。

但叶方明打算把两个任务结合在一起。

“……”

看着几乎要走火入魔的叶方明，启真的很想提醒他一句：

孩子，你想问题别想的那么复杂啊！

非要钻牛角尖去思考那么复杂。

虽然说用联邦学习，也是能构建的出来模型的，但在一个银行去分析本地区的情况下，实在是有点过于偏门……

大材小用了。

但看着叶方明好像真的能思考出来个什么东西的样子。

启还是乖乖陷入了沉默，看着叶方明在纸上写写画画，又烦躁的把纸张揉成一团，扔在地上。

随着时间的流逝，叶方明周围的纸张，都已经堆了好几摞的草稿纸。