打開鏈接點亮社區Star，照亮技術的前進之路。每一個點贊，都是社區技術大佬前進的動力

Github 地址： https://github.com/secretflow/sml

我們很高興地宣佈，隱語 SML 0.1.0 版本正式發佈！

SML 庫目前支持約數十種核心算法，涵蓋了機器學習的主要領域，如監督學習（線性模型、支持向量機等）、無監督學習（KMeans聚類算法，PCA等降維算法）、數據預處理（標準化、特徵選擇等）、模型評估（各種分類、迴歸指標）。

版本鏈接：https://pypi.org/project/sf-sml/#history

什麼是 SML？

SML 是一個基於 Python 的機器學習模塊，它利用 JAX 實現算法，並藉助 SPU (SecretFlow Processing Unit) 的能力進行安全的訓練和推理。

專注於隱私保護機器學習場景，致力於構建一個安全版本的 scikit-learn。

為什麼需要一個“隱私版 scikit-learn”？

scikit-learn 是事實上的傳統機器學習標準庫，但它有一個前提假設：

• 數據集中在一處
• 運行在 NumPy / SciPy 的中心化計算環境中
• 不考慮多方協作與數據隱私

而在真實世界中，越來越多場景是：

• 數據分散在多方
• 原始數據不能共享
• 合規要求高（金融、醫療、政企等）

直接將 scikit-learn 的實現“翻譯”為 MPC 版本，會遇到一些問題：

• 浮點數在 MPC 下精度和性能不可控
• 大量 CPU 友好算子 並不適合安全計算
• 簡單移植會導致效率極低，無法落地

SML 的願景是建立一個通用的隱私保護機器學習 (PPML) 庫，旨在成為安全版本的 scikit-learn

支持的算法

在首個開源版本中，SML 已支持 數十種核心算法，覆蓋傳統機器學習的主要領域：

監督學習

• 線性模型（Logistic / Ridge / GLM 等）
• 支持向量機（SVC）
• KNN
• Gaussian Naive Bayes
• 決策樹（基於 GTree 的 MPC 實現）
• 集成模型：Random Forest、AdaBoost

無監督學習與降維

• KMeans 聚類
• PCA（多種實現方式：power iteration、Jacobi、RSVD）
• NMF
• T-SNE
• ISOMAP、Spectral Embedding 等流形學習方法

數據預處理

• 標準化 / 歸一化（MinMax、Standard、Robust 等）
• OneHotEncoder、KBinsDiscretizer
• QuantileTransformer
• LabelBinarizer 等

模型評估指標

• 分類指標：accuracy、precision、recall、f1、roc_auc 等
• 迴歸指標：MSE、R²、explained variance
• GLM 專用評估指標（Poisson / Gamma / Tweedie）

所有算法均圍繞 MPC 場景下的安全性、精度與性能進行實現與權衡。

從 SPU 子模塊到獨立 Python 庫

SML 最初是 SPU 庫的一部分，隨着算法數量增加和使用場景清晰，我們決定將其獨立拆分為一個單獨的 Python 包：

• 更清晰的定位：隱私保護機器學習算法庫
• 更友好的使用方式：Python 原生 API
• 更利於社區共建與持續演進

快速開始

你可以通過 PyPI 快速體驗 SML：

pip install sf-sml

從源代碼安裝

git clone https://github.com/secretflow/sml.git
cd sml
pip install -e .

安裝完成後，您可以運行任何測試，例如：

# run single unit test
pytest tests/cluster/kmeans_test.py  # run kmeans simulation

# run all unit tests
pytest tests

# run single emulation test
python emulations/run_emulations.py --module emulations.cluster.kmeans_emul  # run kmeans emulation

# run all emulations
python emulations/run_emulations.py

# list all available emulations
python emulations/run_emulations.py --list-only

加入社區，一起共建生態

SML 是 SecretFlow 開源生態的重要組成部分。
我們期待與你一起探索 隱私計算時代的機器學習新範式：

• 貢獻算法與實現
• 優化性能與數值穩定性
• 參與設計討論與 Issue 反饋
• 分享真實應用場景

未來我們將持續推進：

• 算法覆蓋與穩定性增強
• API 設計持續對齊 scikit-learn 使用習慣
• 更完善的文檔、示例與最佳實踐
• 與 SecretFlow / SPU / SCQL 的深度協同