刘洋——联邦学习技术在金融领域的研究与应用

⬆⬆⬆ 点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

2020 年 9 月 26 日，在由中国科协主办，清华大学计算机科学与技术系、AI TIME 论道承办的《2020 中国科技峰会系列活动青年科学家沙龙——人工智能学术生态与产业创新》上，微众银行人工智能部门资深研究员刘洋博士进行了题为《联邦学习在金融领域的应用》的主题报告，介绍了联邦学习的相关理论，并以微众银行的一系列应用为主，介绍了联邦学习的产业落地现状。

图 1：联邦学习在金融领域的研究与应用

作为中国首家互联网银行，微众银行成立至今已近 6 年，其最主要的产品是在手机微信端深入绑定的微粒贷，能够为大家提供及时迅速的金融理财、借款等业务。微众银行人工智能项目组于 2016 年成立，经过几年的积累，已经在联邦学习领域取得了诸多研究成果，并成功落地。

研究背景

图 2：联邦学习的研究背景

近年来，人工智能技术处于高速发展期。然而，随着人工智能技术发展进入深水区，出现了越来越多的壁垒和难题，数据孤岛就是其中之一。在实际的应用落地场景中，很难实现企业与企业之间的数据共享，即使在同一个企业中，不同部门之间的数据共享也十分困难。因此，往往只有少数的大型互联网公司才拥有真正的「大数据」，大多数小微企业和中小型企业面临着数据量小、数据维度稀少等问题，这些问题严重制约着人工智能技术的发展。

另一方面，在过去的几年中，人们对数据隐私保护的意识逐渐增强，相关的法律法规也得以逐步完善（例如，欧盟出台的通用数据保护条例 GDPR 和国内出台的网络安全法等越来越强的监管措施）。在此背景之下，数据共享也面临着越来越大的挑战，数据隐私保护也成为了在人工智能技术进一步发展的过程中，人们急需解决的重要难题，但同时也为安全的人工智能技术发展带来了巨大的机遇。

联邦学习概述

因此，微众银行顺势而为，提出了名为「联邦学习」的解决方案。为了说明联邦学习的基本概念，我们不妨将机器学习的模型比作为羊，将数据比作草。在过去，机器学习算法将所有草放在一起，把羊带到这堆草旁喂羊。然而，由于如今我们面临着数据保护和数据孤岛等难题，需要设计一种新的喂羊方式，即所有的草留在其本身所在的位置，我们将羊牵到各个草的所在地喂羊，我们期望该过程得到的效果与传统的方法几乎相同，且草与草之间没有进行数据交互，从而保护了各企业之间的数据安全。

图 3：谷歌提出的「Federated Learning」

这一理想概念起源于谷歌在