联邦学习在金融领域的发展和应用

目录

前提背景

机器学习的介绍

分布式介绍

联邦学习

联邦学习在金融上的应用

反洗钱案例

 风控信贷案例

---

---

前提背景

机器学习的介绍

机器学习三要素：数据 算法 模型

机器学习将以往的数据训练成一个模型，再将输入的新数据进行预测。

 这其实与人脑是十分相似的原理，人通过以往的经验和知识，总结形成了对某类问题的解答规律，在以后遇到此类问题时，可以直接套用模板规律，得出预测结果。

机器学习应用领域：

人像识别、车牌识别、医学图像处理等等。

本人总结：

了解这么多，我认为现阶段人工智能技术只能说是还在摇篮时代，机器学习仅仅是披着人工智能外壳的算法程序。人脑存在很多复杂的奥秘，我们能做的只能通过大量的数据，训练出一个看似“智能”的模型，不过穷举法的确是朴素而又实用的一种方法。

分布式介绍

传统的单一架构下的项目出错后，需要巨大的人力物力去找出错误。分布式就是把一个巨大的业务分成几个或者几十个小部分业务。这样一来，可以很方便的管理不同的业务分区。分布式指数据被分为若干份，各份数据的存储和计算都分布在不同位置。其中，不同位置包括不同的用户终端或者企业服务器。

联邦学习

联邦学习是机器学习的一种，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。

上一篇博客有所涉及到，在这儿不会重复。(4条消息) 联邦学习入门_爽爽不会编程的博客-CSDN博客

联邦学习在金融上的应用

翻阅了很多资料，联邦学习主要在金融领域被应用在反洗钱、风控信贷、客户价值预测等方面。金融领域的数据更要求管理严格，更加注重数据的私密性。所以，联邦学习解决以上问题的重要手段。

就如我上篇博客所述，横向联邦学习和纵向联邦学习都尤其不同的特点和解决方案。

反洗钱案例

横向联邦学习特征是用户特征重叠多，多家银行提供数据建模分析数据的重叠特征。例如，在不共享用户数据的前提下，多家银行联合建立了反洗钱模型，经过模拟测试，这一模型参与银行越多，其性能就越高。

风控信贷案例

纵向联邦学习主要特点是：用户ID重叠高。

可通过对于企业的信用报告、税收、声誉、财务水平等数据评估企业的发展、以规避信贷的风险，降低企业信贷 

---

个人小结：

随着社会的现代化和 科技的发展，数据就是“证据”，这些数据痕迹很大程度上体现了一个企业或者个人的特点。利用大数据统计、建模很容易得到合理的预测。这对以后的发展具有十分重要的意义。这使我不禁想到，大千世界产生数不清的数据信息，是不是可以推出，我们每个人都生活在大概率可预见的生活中。