图3-2　来自拉普拉斯分布的噪声（幅度b=0.003）改变了攻击者误判D1和D2的概率。图来源于Boenisch等人的文章

图6-7　三种先进核方法（PP-SVMV，DSG，LIBSVM）、提升树方法（SecureBoost）、线性方法（FD-SVRG）和VFKL的测试误差箱线图

图7-3　算法在分类任务和回归任务上的收敛速度

图7-4　算法在大规模分类任务上的收敛速度，其中上面两个是二分类任务，下面是多分类任务

图7-5　对异步算法耗时的分解，以展示其高效性（实验在url数据集上进行，参与方数目为8）

图7-6　可扩展性实验结果（在url数据上的二分类任务）。纵轴表示加速效果

图7-7　与FDML算法在多类分类任务上的比较

图10-7　在MNIST数据集上训练的逻辑回归模型在验证集上的精度与训练时间（对数比例）的关系，其中“Distributed_workers-k”是指我们的框架所使用的工作节点数为k