联邦学习:一种人工智能与隐私保护融合衍生的机器学习技术,能够解决数据孤岛和数据隐私安全两大挑战。联邦学习可以允许多个参与者在不共享数据的情况下构建一个通用强大的机器学习模型,从而允许解决关键问题,如数据隐私、数据安全、数据访问权限和对异构数据的访问。
优点:
- 多方协作: 有两个或以上的联邦学习参与方协作构建一个共享的机器学习模型。每一个参与方都拥有若干能够用来训练模型的训练数据。
- 各方平等: 联邦学习的参与方各方之间都是平等的,并不存在高低贵贱;
- 数据隐私保护: 在联邦学习模型的训练过程中,每一个参与方拥有的数据都不会离开该参与方,即数据不离开数据拥有者。
- 数据加密: 联邦学习模型相关的信息能够以加密方式在各方之间进行传输和交换,并且需要保证任何一个参与方都不能推测出其他方的原始数据。
运用方向:
(1)金融机构可以结合多方数据,建立更加全面的风控模型,对贷款人的信用进行评估;
(2)医疗机构可以整合不同医院的数据,开发疾病检测模型、影像分析模型或者疫情防控模型;
(3)监管机构可以通过组合不同部门、机构的数据,对洗钱、欺诈等行为建立更加精确的预警模型。
广告案例: 互联网企业中的RTB广告,基于用户的实时请求为用户推荐他感兴趣的商品,这里面的推荐模型就需要大量用到用户的特征数据。就像Part1.2中介绍的,很多互联网企业只拥有用户的一部分特征数据,如果可以接入更多其他互联网企业的数据或者是投放广告主关于用户的数据,那么将大幅提升广告推荐的效果,既能提升点击率也可以提升广告主的ROI;联邦学习的出现就很好的解决了这个问题;
金融案例:金融领域同样如此,很多用户在多家银行拥有信贷记录,甚至在一些互联网金融机构上拥有借贷记录。单个金融机构需要对该用户做出全面客观的资质评判就需要结合用户历史所有的金融记录才可以。但是各大金融机构之间除了央行统一管理的个人征信,其他数据之间彼此是不互通的,这些数据既是用户的个人隐私也是银行重要的资产。联邦学习的出现同样让各大金融机构之间可以联合建模,对于用户的资质进行全面客观的评价,降低贷款的违约率和资产的不良率。
相关标的:
688225亚信安全:公司参股上海富数科技是行业头部企业,主要为客户提供联邦学习、安全多方计算等产品和解决方案,并与亚信安全在数据安全方面进行业务合作。
688158优刻得:公司以自研的安全屋产品为抓手,推出“可信数据沙箱、安全多方计算、联邦学习”三大数据安全流通平台,有效匹配金融、政务、医疗等场景下的数据安全流通需求,促进政务数据流通和数据要素市场化。