🤖 AI

An Efficient Learning Framework For Federated XGBoost Using Secret Sharing And Distributed Optimization

यह शोध पत्र एक सुरक्षित, लॉसलेस और कुशल मल्टी-पार्टी फेडरेटेड XGBoost फ्रेमवर्क प्रस्तावित करता है जो डेटा अलगाव की समस्याओं को दूर करने और सुरक्षा एवं प्रदर्शन दोनों में मौजूदा अत्याधुनिक मॉडलों से बेहतर प्रदर्शन करने के लिए सीक्रेट शेयरिंग और वितरित अनुकूलन (डिस्ट्रीब्यूटेड ऑप्टिमाइजेशन) का उपयोग करता है।

मूल लेखक: Lunchen Xie, Jiaqi Liu, Songtao Lu, Tsung-hui Chang, Qingjiang Shi

प्रकाशित 2025-03-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lunchen Xie, Jiaqi Liu, Songtao Lu, Tsung-hui Chang, Qingjiang Shi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि बैंकों, अस्पतालों और रिटेल स्टोर्स का एक समूह है जो क्रेडिट कार्ड धोखाधड़ी या बीमारी के प्रकोप की भविष्यवाणी करने के लिए एक सुपर-स्मार्ट AI बनाना चाहता है। उनके पास एक समस्या है: वे अपना डेटा साझा नहीं कर सकते।

बैंक A के पास आपका खर्च करने का इतिहास है लेकिन मेडिकल रिकॉर्ड नहीं है।
अस्पताल B के पास आपका स्वास्थ्य डेटा है लेकिन खर्च करने का इतिहास नहीं है।
स्टोर C के पास आपकी खरीदारी की आदतें हैं लेकिन कुछ और नहीं।

यदि वे अपने सभी डेटा को एक विशाल डेटाबेस में मिला देते, तो वे एक बहुत बेहतर AI बना सकते थे। लेकिन कानून और गोपनीयता के नियम कहते हैं कि वे ऐसा नहीं कर सकते। उन्हें एक साथ मॉडल को प्रशिक्षित करने के लिए एक तरीके की आवश्यकता है बिना कभी भी एक-दूसरे के कच्चे (raw) डेटा को देखे। इसे फेडरेटेड लर्निंग (Federated Learning) कहा जाता है।

यह पेपर विशेष रूप से एक शक्तिशाली AI टूल, XGBoost, के लिए एक नया, सुपर-कुशल तरीका पेश करता है। लेखक उनके समाधान को MP-FedXGB कहते हैं।

सरल उपमाओं (analogies) का उपयोग करके इसका विवरण यहाँ दिया गया है:

1. समस्या: "गुप्त रेसिपी" की दुविधा

XGBoost एक मास्टर शेफ की तरह है जो भविष्यवाणी करने के लिए एक 'डिसीजन ट्री' (decision tree) बनाता है। इस पेड़ को बनाने के लिए, शेफ को ऐसे सवाल पूछने की आवश्यकता होती है जैसे: "क्या ग्राहक की आय $50k से अधिक है?" या "क्या मरीज का रक्तचाप उच्च है?"

सबसे अच्छा सवाल खोजने के लिए, शेफ को विभाजन (division) (संख्याओं को विभाजित करना) और अधिकतम (maximum) (सबसे अच्छा विकल्प चुनना) से जुड़ी कुछ भारी गणितीय गणनाएँ करनी पड़ती हैं।

पुराना तरीका (होमोमोर्फिक एन्क्रिप्शन - Homomorphic Encryption): कल्पना कीजिए कि शेफ मोटे, भारी ओवन मिट्स (दस्ताने) पहनकर खाना पकाने की कोशिश करता है। वह बर्तन चला तो सकता है, लेकिन वह गर्मी को महसूस नहीं कर सकता या भोजन का स्वाद आसानी से नहीं ले सकता। यह काम करता है, लेकिन यह अविश्वसनीय रूप से धीमा और थका देने वाला है।
पिछला "सीक्रेट शेयरिंग" तरीका: कल्पना कीजिए कि शेफ अपने दो सहायकों को रेसिपी के हिस्से रखने के लिए कहता है। वे संख्याओं को आसानी से जोड़ और घटा सकते हैं। लेकिन जब रेसिपी में विभाजन (एक केक को सटीक हिस्सों में काटना) या कई विकल्पों में से सबसे अच्छे को चुनना शामिल होता है, तो सहायक अटक जाते हैं। उन्हें "बिट-दर-बिट" तुलना का एक जटिल खेल खेलना पड़ता है जो केवल तभी काम करता है जब ठीक दो लोग हों। यदि आप तीसरा या चौथा व्यक्ति जोड़ते हैं, तो यह खेल टूट जाता है।

2. समाधान: "जादुई गणित" का ट्रिक

लेखक, शी (Xie) और उनकी टीम ने एक नया फ्रेमवर्क बनाया है जो बिना कभी वास्तविक डेटा को प्रकट किए इन गणितीय समस्याओं को हल करता है। वे सीक्रेट शेयरिंग (Secret Sharing) नामक एक तकनीक का उपयोग करते हैं।

सीक्रेट शेयरिंग को एक पहेली की तरह समझें।

आपके पास एक गुप्त संख्या है (जैसे, 10)।
आप इसे 4 टुकड़ों में काटते हैं: 3, 2, 4, और 1।
आप बैंक A को एक टुकड़ा देते हैं, अस्पताल B को एक, आदि।
कोई भी संख्या 10 को नहीं जानता। वे केवल अपने स्वयं के टुकड़े को जानते हैं।
लेकिन यदि वे अपने टुकड़ों को जोड़ते हैं, तो उन्हें वापस 10 मिल जाता है।

इस पेपर का जादू यह है कि वे इन पहेली के टुकड़ों का उपयोग करके कठिन गणित (विभाजन और अधिकतम ढूंढना) को कैसे संभालते हैं।

उपमा A: "कॉमन डिनोमिनेटर" ट्रिक (विभाजन की समस्या को हल करना)

पुराने तरीके में, दो भिन्नों (fractions) की तुलना करने के लिए (जैसे 3/4 बनाम 5/8), आपको यह देखने के लिए वास्तव में संख्याओं को विभाजित करना पड़ता था कि कौन सा बड़ा है। गुप्त दुनिया में, आप विभाजित नहीं कर सकते।

लेखकों की ट्रिक यह है:
बजाय इसके कि "कौन सा भिन्न बड़ा है?" पूछें, वे पूछते हैं: "यदि हम दोनों भिन्नों को एक ही विशाल संख्या (कॉमन डिनोमिनेटर) से गुणा करें, तो कौन सा अंश (numerator) बड़ा है?"

पुराना तरीका: 3 ÷ 4 और 5 ÷ 8 की गणना करें। (पहेली के टुकड़ों के साथ करना कठिन है)।
नया तरीका: 3 को 8 से और 5 को 4 से गुणा करें। अब आप केवल 24 बनाम 20 की तुलना करते हैं।
यह क्यों मायने रखता है: गुणा करना पहेली के टुकड़ों के साथ आसान है। विभाजन कठिन है। विभाजन की समस्या को गुणा की समस्या में बदलकर, वे गणना को तेज़ और सुरक्षित बनाते हैं।

उपमा B: "ग्रेडिएंट डिसेंट" (लीफ वेट की समस्या को हल करना)

पेड़ के अंत में, AI को एक "वेट" (अंतिम स्कोर) असाइन करने की आवश्यकता होती है। इसके सूत्र के लिए आमतौर पर विभाजन की आवश्यकता होती है।

लेखकों ने महसूस किया कि यह अंधेरे में घाटी के निचले हिस्से को खोजने की कोशिश करने जैसा है।

पुराना तरीका: एक जटिल मानचित्र (विभाजन) का उपयोग करके सटीक निचले हिस्से की गणना करने की कोशिश करें।
नया तरीका: बस नीचे की ओर कुछ कदम चलें। चूंकि "घाटी" का आकार बिल्कुल सही (यह एक कॉनवेक्स कर्व है) है, इसलिए आपको तुरंत सटीक निचले हिस्से की गणना करने की आवश्यकता नहीं है। आप बस कुछ स्मार्ट कदम उठाते हैं, और आप सीधे उत्तर पर पहुँच जाते हैं।
उन्होंने विभाजन की समस्या को एक सरल "कदम-दर-कदम" चलने वाली समस्या में बदल दिया जिसे हर कोई बिना अपनी लोकेशन प्रकट किए मिलकर हल कर सकता है।

3. "फर्स्ट-लेयर मास्क" (सुरक्षा गार्ड)

एक छोटा सा जोखिम था: यदि पेड़ का बिल्कुल पहला विभाजन किसी विशिष्ट अस्पताल द्वारा किया गया था, तो वह अस्पताल केवल पेड़ की संरचना को देखकर यह जान सकता था कि कौन से मरीज "बीमार" समूह में थे बनाम "स्वस्थ" समूह में।

इसे ठीक करने के लिए, लेखकों ने एक फर्स्ट-लेयर मास्क (First-Layer Mask) जोड़ा।

नियम: पेड़ का सबसे पहला विभाजन उस व्यक्ति द्वारा किया जाना चाहिए जिसके पास लेबल हैं (वह "सक्रिय प्रतिभागी", जैसे धोखाधड़ी डेटा वाला बैंक)।
परिणाम: यह दरवाजे पर एक सुरक्षा गार्ड की तरह काम करता है। यह शुरुआत में ही डेटा को स्कैम्बल (बदल) देता है ताकि कोई अन्य प्रतिभागी किसी विशिष्ट पथ को किसी विशिष्ट व्यक्ति के डेटा तक कभी न ट्रेस कर सके। यह ताश के पत्तों को पहली बाजी बांटने से पहले फेंटने जैसा है।

4. यह एक बड़ी बात क्यों है?

गति: पुराने तरीके गुड़ के घोल (molasses) में चलने जैसे थे। यह नया तरीका ट्रैक पर दौड़ने जैसा है। यह बहुत तेज़ है क्योंकि यह भारी "विभाजन" गणित से बचता है।
स्केलेबिलिटी (Scalability): पुराने सीक्रेट-शेयरिंग तरीके केवल दो लोगों के साथ अच्छी तरह काम करते थे। यह नया तरीका 4, 5, या यहाँ तक कि 100 संगठनों के सहयोग के साथ भी पूरी तरह से काम करता है।
सटीकता (Accuracy): उन्होंने साबित किया कि उनका "पहेली के टुकड़े" वाला गणित "कच्चे डेटा" वाले गणित के समान ही सटीक परिणाम देता है। कोई सटीकता कम नहीं होती।

सारांश

कल्पना कीजिए कि जासूसों का एक समूह अपराध को सुलझाने की कोशिश कर रहा है।

जासूस A के पास उंगलियों के निशान हैं।
जासूस B के पास चश्मदीद गवाहों के बयान हैं।
जासूस C के पास CCTV फुटेज है।

वे एक-दूसरे को अपना सबूत नहीं दिखा सकते।

पुराना तरीका: वे एक मोटी दीवार के माध्यम से सुराग फुसफुसाने की कोशिश करते हैं। इसमें बहुत समय लगता है, और वे केवल जोड़ों (pairs) में ही ऐसा कर सकते हैं।
इस पेपर का तरीका: वे एक विशेष कोड (सीक्रेट शेयरिंग) का उपयोग करते हैं जहाँ वे वास्तविक शब्दों को बोले बिना गणितीय रूप से अपने सुरागों को जोड़ सकते हैं। उन्होंने कठिन गणित (विभाजन) को आसान गणित (गुणा) में बदलकर एक चतुर तरीका खोजा है।

परिणाम? वे अपराध (AI मॉडल) को मिलकर, तेज़ी से और सुरक्षित रूप से सुलझाते हैं, बिना किसी को भी दूसरे का निजी सबूत देखे।

यहाँ Xie et al. द्वारा लिखित शोध पत्र "An Efficient Learning Framework For Federated XGBoost Using Secret Sharing And Distributed Optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र Vertical Federated Learning (VFL) परिवेश में XGBoost मॉडल को प्रशिक्षित करने की चुनौती का समाधान करता है।

संदर्भ: VFL में, विभिन्न डेटा धारक (प्रतिभागी) समान संस्थाओं (नमूनों/samples) के लिए अलग-अलग फीचर सेट रखते हैं। लक्ष्य गोपनीयता नियमों और व्यावसायिक प्रतिस्पर्धा के कारण कच्चा डेटा साझा किए बिना एक संयुक्त मॉडल बनाना है।
मौजूदा समाधानों की सीमाएँ:
- होमोमोर्फिक एन्क्रिप्शन (HE) आधारित दृष्टिकोण (जैसे, SecureBoost): हालांकि वे कच्चे डेटा के रिसाव को रोकते हैं, लेकिन वे मध्यवर्ती जानकारी (जैसे, बकेट में इंस्टेंस काउंट) को लीक कर सकते हैं और अत्यधिक उच्च कम्प्यूटेशनल और संचार ओवरहेड से ग्रस्त होते हैं, जिससे वे बड़े पैमाने के डेटा के लिए अक्षम हो जाते हैं।
- सीक्रेट शेयरिंग (SS) आधारित दृष्टिकोण (जैसे, Fang et al.): ये बेहतर गोपनीयता प्रदान करते हैं लेकिन वर्तमान में दो-पक्षीय (two-party) सेटिंग्स तक सीमित हैं। वे मल्टी-पार्टी परिदृश्यों में संघर्ष करते हैं क्योंकि XGBoost के लिए गैर-रेखीय संचालन (विशेष रूप से स्प्लिट चयन के लिए argmax और लीफ वेट गणना के लिए विभाजन/division) की आवश्यकता होती है जो मानक SS प्रिमिटिव्स (योग, घटाव, गुणा) द्वारा स्वाभाविक रूप से समर्थित नहीं हैं। मौजूदा SS विधियाँ विभाजन को इटरेटिव एल्गोरिदम का उपयोग करके अनुमानित करती हैं, जिससे कम्प्यूटेशनल जटिलता बहुत बढ़ जाती है।

मुख्य चुनौती: सीक्रेट शेयरिंग सेटिंग के तहत एक लॉसलेस (lossless), सुरक्षित, और कुशल मल्टी-पार्टी फेडरेटेड XGBoost फ्रेमवर्क को कैसे डिज़ाइन किया जाए जो विभाजन (division) संचालन से बच सके और दो से अधिक प्रतिभागियों का समर्थन कर सके।

2. कार्यप्रणाली: MP-FedXGB

लेखक MP-FedXGB प्रस्तावित करते हैं, जो एक मल्टी-पार्टी फेडरेटेड XGBoost फ्रेमवर्क है। इस सिस्टम में $M$ प्रतिभागी ( $P_1$ सक्रिय प्रतिभागी जिसके पास लेबल हैं, $P_2 \dots P_M$ सहायक प्रतिभागी जिनके पास फीचर्स हैं) और एक कोऑर्डिनेटर ( $C$ ) शामिल हैं।

A. सुरक्षित प्रशिक्षण ढांचा (Secure Training Framework)

प्रशिक्षण मानक XGBoost एडिटिव ट्रेनिंग प्रक्रिया का पालन करता है लेकिन कच्चे डेटा के बजाय सीक्रेट शेयर्स (जिसे $\langle \cdot \rangle$ द्वारा दर्शाया गया है) पर कार्य करता है।

डेटा प्रतिनिधित्व: ग्रेडिएंट्स ( $g_i$ ) और हेसियन ( $h_i$ ) को प्रतिभागियों के बीच साझा किया जाता है।
ट्री कंस्ट्रक्शन: प्रतिभागी पुनरावर्ती रूप से (recursively) ट्री बनाते हैं। प्रत्येक नोड पर, वे वर्तमान इंस्टेंस सेट के लिए सीक्रेट शेयर्स का उपयोग करके ग्रेडिएंट्स और हेसियंस के योग की गणना करते हैं।

B. प्रमुख तकनीकी नवाचार (Key Technical Innovations)

1. SecureArgmax: स्प्लिट मानदंड गणना का पुनर्गठन (Reshaping Split Criterion Calculation)

समस्या: सर्वोत्तम स्प्लिट खोजने के लिए उम्मीदवारों के लॉस रिडक्शन ( $L_{split}$ ) की तुलना करने की आवश्यकता होती है। $L_{split}$ में भिन्न (fractions/division) शामिल होते हैं। SS में, अंशों (fractions) के शेयर्स की सीधे तुलना करना कठिन है और इसके लिए महंगे विभाजन अनुमानों की आवश्यकता होती है।
समाधान: लेखक दो लॉस रिडक्शन ( $L_1$ $L_{1}$ बनाम $L_2$ $L_{2}$ ) की तुलना को गणितीय रूप से पुनर्गठित करते हैं।
- $L_1$ और $L_2$ की सीधे गणना करने के बजाय, वे अंतर $L_{diff} = L_1 - L_2$ का विश्लेषण करते हैं।
- भिन्न (fractions) को एक साझा हर (common denominator) में बदलकर, अंतर को एक एकल भिन्न के रूप में व्यक्त किया जाता है: $L_{diff} = \frac{G}{H}$ ।
- $L_{diff}$ का चिह्न अंश ( $G$ ) और हर ( $H$ ) के चिह्नों को अलग-अलग देखकर निर्धारित किया जाता है।
- प्रोटोकॉल: $P_1$ द्वारा $H$ को बहाल किया जाता है और $P_2$ द्वारा $G$ को बहाल किया जाता है। वे स्वतंत्र रूप से चिह्नों का निर्णय लेते हैं और भिन्न के चिह्न को निर्धारित करने के लिए परिणाम को संचारित करते हैं।
- लाभ: यह विभाजन संचालन और पिछले दो-पक्षीय SS विधियों में उपयोग किए जाने वाले जटिल बिट-दर-बिट तुलनाओं (मल्टीप्लेक्सर्स) की आवश्यकता को पूरी तरह से समाप्त कर देता है, जिससे यह $M$ पार्टियों के लिए स्केलेबल हो जाता है।

2. SecureLeafWeight: लीफ वेट के लिए वितरित अनुकूलन (Distributed Optimization for Leaf Weights)

समस्या: लीफ वेट गणना ( $w = -\frac{\sum g_i}{\sum h_i + \lambda}$ ) के लिए विभाजन की आवश्यकता होती है।
समाधान: लेखक लीफ वेट गणना को एक कॉन्वेक्स क्वाड्रेटिक ऑप्टिमाइज़ेशन समस्या के रूप में पुनर्गठित करते हैं।
- समस्या को एक फंक्शन को मिनिमाइज करने में बदल दिया जाता है: $\min_w \frac{1}{2} (\sum \langle a \rangle_m) w^2 + (\sum \langle b \rangle_m) w$ ।
- वे इसे डिस्ट्रीब्यूटेड ग्रेडिएंट डिसेंट एल्गोरिदम का उपयोग करके हल करते हैं।
- हर (denominator) की संवेदनशीलता (जो इंस्टेंस काउंट को प्रकट करती है) को सुरक्षित करने के लिए, वे स्टेप-साइज़ गणना में एक छोटा सकारात्मक विक्षेपण ( $\sigma$ ) पेश करते हैं।
- लाभ: यह प्रत्यक्ष विभाजन और इटरेटिव एप्रोक्सिमेशन से बचता है, और गोपनीयता बनाए रखते हुए एक ही चरण में (या विक्षेपण के साथ कुछ चरणों में) सटीक समाधान तक पहुँच जाता है।

3. First-Layer-Mask (सुरक्षा वृद्धि)

समस्या: मानक ट्री बिल्डिंग में, यदि कोई विशिष्ट प्रतिभागी उन फीचर्स का स्वामी है जिनका उपयोग रूट स्प्लिट के लिए किया जाता है, तो वे उस नोड से संबंधित सटीक इंस्टेंस स्पेस (डेटा का उपसमुच्चय) का अनुमान लगा सकते हैं, जिससे लेबल जानकारी लीक होने की संभावना रहती है।
समाधान: फ्रेमवर्क यह सुनिश्चित करता है कि रूट नोड स्प्लिट हमेशा सक्रिय प्रतिभागी ( $P_1$ ) द्वारा किया जाना चाहिए।
लाभ: यह रूट से लीव्स तक के सीधे पथ को सहायक प्रतिभागियों के लिए तोड़ देता है, जिससे यह सुनिश्चित होता है कि उन्हें केवल मोटे तौर पर (coarse-grained) इंडिकेटर वेक्टर्स प्राप्त होते हैं, जिससे इंस्टेंस स्पेस लीकेज को रोका जा सकता है।

3. मुख्य योगदान (Key Contributions)

प्रथम मल्टी-पार्टी SS-आधारित FedXGB: सीक्रेट शेयरिंग सेटिंग के तहत पहला लॉसलेस, मल्टी-पार्टी फेडरेटेड XGBoost फ्रेमवर्क प्रस्तावित करता है, जो पिछले कार्यों की दो-पक्षीय सीमा को पार करता है।
कंप्यूटेशन रीशेपिंग: स्प्लिट क्राइटेरिया (SecureArgmax) और लीफ वेट (SecureLeafWeight) के लिए नवीन गणितीय रूपांतरण पेश करता है जो विभाजन संचालन को समाप्त करते हैं, जिससे कम्प्यूटेशनल जटिलता काफी कम हो जाती है।
उन्नत सुरक्षा: इंस्टेंस स्पेस लीकेज को रोकने के लिए First-Layer-Mask तंत्र प्रस्तावित करता है, जो पिछले VFL ट्री-आधारित मॉडलों में एक भेद्यता (vulnerability) थी।
सैद्धांतिक और अनुभवजन्य सत्यापन: सेमी-होनेस्ट एडवरसेरी मॉडल के तहत एक कठोर सुरक्षा विश्लेषण प्रदान करता है और HE-आधारित विधियों की तुलना में बेहतर दक्षता प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने बेंचमार्क डेटासेट्स (GiveMeSomeCredit और Adult) पर वैनिला XGBoost और सैद्धांतिक HE-आधारित मॉडलों के विरुद्ध MP-FedXGB का मूल्यांकन किया।

दक्षता (Efficiency):
- कम्प्यूटेशन: MP-FedXGB, HE-आधारित विधियों (जैसे, SecureBoost) की तुलना में काफी तेज़ है। 4 प्रतिभागियों और 10k इंस्टेंस के सिम्युलेटेड परिदृश्य में, HE दृष्टिकोण के 599s के मुकाबले MP-FedXGB ने 44.52s लिया।
- जटिलता: प्रस्तावित SecureArgmax मल्टीप्लिकेशन ऑपरेशन्स (MULs) की संख्या को हजारों (विभाजन अनुमान विधियों में) से घटाकर सैकड़ों में ले आता है (जैसे, विशिष्ट मापदंडों के लिए 468 बनाम 10,496)।
सटीकता (Accuracy):
- MP-FedXGB, सेंट्रलाइज्ड वैनिला XGBoost की तुलना में समान या थोड़ा बेहतर प्रदर्शन (Accuracy, F1, AUC) प्राप्त करता है।
- First-Layer-Mask तंत्र नगण्य प्रदर्शन हानि उत्पन्न करता है, जो यह पुष्टि करता है कि $P_1$ को रूट स्प्लिट करने के लिए मजबूर करना मॉडल की गुणवत्ता को महत्वपूर्ण रूप से कम नहीं करता है।
स्केलेबिलिटी (Scalability): रनटाइम पेड़ों और फीचर्स की संख्या के साथ रैखिक रूप से (linearly) और ट्री डेप्थ के साथ घातीय रूप से (exponentially) स्केल करता है (जो मानक XGBoost व्यवहार के अनुरूप है), जिससे यह सिद्ध होता है कि यह फ्रेमवर्क बड़े पैमाने के डेटा के लिए व्यवहार्य है।

5. महत्व (Significance)

यह शोध पत्र गोपनीयता-संरक्षण मशीन लर्निंग में एक महत्वपूर्ण अंतर को पाटता है। भारी होमोमोर्फिक एन्क्रिप्शन पर निर्भर किए बिना एक के सबसे शक्तिशाली एल्गोरिदम (XGBoost) के लिए कुशल मल्टी-पार्टी सहयोग को सक्षम करके, यह कई संगठनों (जैसे, बैंक, अस्पताल और रिटेलर) के शामिल होने वाले वास्तविक दुनिया के अनुप्रयोगों के लिए सुरक्षित वर्टिकल फेडरेटेड लर्निंग को व्यावहारिक बनाता है। डिस्ट्रीब्यूटेड ऑप्टिमाइज़ेशन और फ्रैक्शन रीशेपिंग के माध्यम से विभाजन संचालन को हटाना, सीक्रेट शेयरिंग के तहत सुरक्षित गैर-रेखीय मशीन लर्निंग मॉडल डिजाइन करने के लिए एक नया प्रतिमान (paradigm) प्रदान करता है।