金控集团隐私计算探索与实践

技术贡献与标准制定

• 自主研发的“联邦半监督学习算法”和“可验证秘密分享算法”被全球首个工业级联邦学习框架FATE采纳（v1.10和v1.5.1版本）；
• 出版《联邦学习原理与应用》专著，并在台湾发行繁体中文版《不再理論化：聯邦學習親自動手工程專案實作》；
• 参与制定全国金融标准化技术委员会《联邦学习技术金融应用规范》等行业标准；
• 成为FATE社区技术指导委员会成员，并参与北京金融科技产业联盟相关课题编写。

业务应用与价值

• 金控集团：通过隐私计算技术统计客户总数、共同客户数等协同指标，助力集团协同发展；
• 保险机构：基于联邦学习指导营销策略，提升团险客户二次购买重疾险的比例，增强客户粘性；
• 证券机构：联合外部数据源构建风险评级模型，辅助授信额度确定，降低信用风险；
• 证券公司：挖掘高质量存量客户，促活盘活客户群体，实现科技赋能业务。

技术优势与案例

• 纵向联邦学习通过增加特征维度提升模型准确率，优于仅使用本地数据；
• 针对证券数据多分类、标签不平衡问题，采用集成模型SecureBoost效果更优；
• 通过机构名称模糊匹配规则增加样本交集数量，优化样本对齐效果；
• Positive Unlabeled Learning案例展示联邦学习在无标签数据预测中的应用。

行业趋势与课题

• 依托集团联邦学习和区块链平台共建数据要素生态系统，实现数据安全合规共享；
• 提出异构隐私计算平台传输规范，推动跨平台互联互通，促进数据要素流通；
• 可信联邦学习需兼顾隐私安全、模型效率、可解释性及可溯源审计；
• 联邦大模型需解决公域数据消耗及私域数据合规利用问题。