联邦学习前路如何？杨强：已到“合久必分”的状态( 三 ) 衡宇金磊发自凹非寺量子位|公

联邦学习现在应用上的发展态势，用“百花齐放”来形容不足为过。
例如全球科技巨头谷歌，国内外学术机构如卡内基梅隆大学（CMU）、北京邮电大学等名校也在致力于研究联邦学习；在论文全球高被引方面，国外机构谷歌排名第一，而国内机构则是杨强所在的微众银行。
而且与之相关的开源框架也是陆续被提出，例如OpenMined推出的Pysyft、微众银行的FATE和谷歌的TFF框架等等。

文章图片
从大方向上来看，现在微众银行所使用的可信联邦学习，不单单是能够完成一个项目那么简单，更是能够对项目做一个分析和认证。
在此能力的背后，微众银行所依托的便是全球首个开源的工业级联邦学习框架——FATE（FederatedAITechnologyEnabler）。

文章图片
而自2019年开源以来，这个框架也在不断的提升自己的能力。
像刚才我们提到入围的几篇论文，都已经被涵盖了进来，目前已经步入2.0阶段。
具体到实际案例，可信联邦学习在金融行业反欺诈上便起到了很好的作用。
因为在这个过程中所涉及到的数据着实纷繁复杂，包括银行机构、电商、运营商、政务等等。
各方都需要保障自己数据的安全、隐私以及所有权，但交易过程中相互之间又有所交织。
而可信联邦学习就能在保障这个大前提之下，还能做到挖掘金融行为、消费行为、通信行为、社交行为等众多特征。
以及再针对不同细分金融反欺诈业务场景构建专有模型，从而提升金融行业的整体反欺诈能力。

文章图片
再如信贷风控，亦是如此。
以往中小微企业在信贷风控上所面临的老大难问题，便是信贷评审数据稀缺、不全面、历史信息沉淀不足等。
但有了可信联邦学习之后，就能在确保数据提供方数据安全以及隐私保护的情况下，让银行融汇企业经营数据、税务数据、工商数据、支付数据等多源信息，丰富建模特征体系，提升模型的有效性。
由此可见，联邦学习能够成为顶会、顶刊们的香饽饽，不仅是因为在科研领域中所具备的前沿性，更是因为它在现实场景中正在发挥着不可替代的作用。
那么对于被顶会、顶刊们pick的联邦学习，以及它玩转数据的这套打法，你怎么看？
FATE框架地址：
https://github.com/FederatedAI/FATE/blob/master/README_zh.md
参考链接：
[1]https://arxiv.org/pdf/2203.05816.pdf
[2]https://www.ijcai.org/proceedings/2022/324
[3]https://ieeexplore.ieee.org/abstract/document/9847383/
—完—
【联邦学习前路如何？杨强：已到“合久必分”的状态】量子位QbitAI·头条号签约