5-4 光大集团联邦学习探索与实践

隐私计算背景概述

• 数据隐私保护法规日益严格，如欧盟《通用数据保护条例》、美国《加州消费者隐私法案》等，推动数据孤岛问题及隐私保护需求。
• 中国数据安全法规逐步完善，如《网络安全法》《数据安全法》《个人信息保护法》等，明确数据控制方责任，推动行业合规发展。

隐私计算技术发展历程

• 联邦学习于2016年首次提出，2020年成为隐私计算应用元年，2022年提出可信联邦学习，核心目标在保护隐私前提下实现数据价值合作。

业界标准与光大贡献

• 光大科技积极参与FATE社区，贡献安全多方求和算法，并参与多项行业标准制定（如《联邦学习技术金融应用规范》）。
• 荣获2021中国金融创新奖“十佳金融科技创新奖”，出版《联邦学习原理与应用》专著。

光大集团联邦学习平台建设

• 平台依托联邦学习与区块链技术，采用星型组网模式，已对接集团内部分企业，兼容MPC平台，计划扩展至金融领域成员公司。
• 面向隐私策略的决策引擎，支持数据安全下的资产统计、客户迁徙等协同分析。

联邦学习算法与场景应用

• 安全多方求和：采用Shamir秘密共享方案，实现分散数据的加和计算，支持可验证版本（Feldman VSS）。
• 联合统计：某金控集团子公司通过联邦学习统计客户总数、共同客户数、迁徙数等指标，助力集团协同发展。
• 精准营销：某保险机构利用联邦学习提升团险客户二次购买重疾险的比例，增强客户粘性。
• 智能风控：某证券机构联合外部数据源构建风险评级模型，降低信用风险，并通过数据存证保障公平性。
• 跨域数据校验：某银行机构通过联邦学习实现数据不出域下的跨域比对，提升金融智能准确性。

《联邦学习原理与应用》介绍

• 本书系统介绍联邦学习技术、实践方法及金融行业应用案例，涵盖机器学习算法、开源框架FATE、典型建模流程及行业解决方案。

未来展望

• 期待联邦学习技术向可信联邦学习发展，实现监管可解释性；推动互联互通标准统一，增强金融级安全；结合区块链建立数据交易环境，扩展更多应用场景。