亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        隱私立法時(shí)代聯(lián)邦學(xué)習(xí)在商業(yè)銀行的應(yīng)用

        2021-12-17 11:51:01關(guān)杏元王彥博李曉林張?jiān)?/span>
        銀行家 2021年12期
        關(guān)鍵詞:特征用戶模型

        關(guān)杏元 王彥博 李曉林 張?jiān)?/p>

        隨著數(shù)字化時(shí)代的來(lái)臨,大數(shù)據(jù)、人工智能等精尖技術(shù)進(jìn)入了高速發(fā)展階段。然而,對(duì)一些行業(yè)而言,存在數(shù)據(jù)樣本量少、特征少、標(biāo)注信息缺失、數(shù)據(jù)質(zhì)量差等問(wèn)題,同時(shí)由于相同行業(yè)不同企業(yè)間的競(jìng)爭(zhēng)以及同一企業(yè)中不同業(yè)務(wù)條線、業(yè)務(wù)系統(tǒng)間的阻隔性等情況,難以實(shí)現(xiàn)有效的數(shù)據(jù)信息交流與整合,易造成“數(shù)據(jù)孤島”現(xiàn)象,這使大數(shù)據(jù)、人工智能相關(guān)技術(shù)難以發(fā)揮出預(yù)期的應(yīng)用效果。

        當(dāng)前隱私與數(shù)據(jù)保護(hù)已成為全球關(guān)注的焦點(diǎn),無(wú)論是機(jī)構(gòu)還是個(gè)人都對(duì)隱私和數(shù)據(jù)保護(hù)越發(fā)重視,政府機(jī)構(gòu)也出臺(tái)了相關(guān)的法律法規(guī)來(lái)保護(hù)數(shù)據(jù)安全和隱私。而聯(lián)邦學(xué)習(xí)(Federated Learning)作為一種新興的人工智能技術(shù),能夠在隱私、安全和監(jiān)管的要求下,讓AI系統(tǒng)更加高效、準(zhǔn)確地使用數(shù)據(jù),突破小數(shù)據(jù)(數(shù)據(jù)樣本和特征受到制約)和弱監(jiān)督(數(shù)據(jù)標(biāo)注信息受到制約)等條件約束,實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型的可用性,為“數(shù)據(jù)孤島”以及“隱私計(jì)算”問(wèn)題提供了解決方案。

        聯(lián)邦學(xué)習(xí)的發(fā)展歷程

        聯(lián)邦學(xué)習(xí)概念源自Google于2016年為更新Gboard系統(tǒng)的輸入預(yù)測(cè)模型而設(shè)計(jì)的一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)。聯(lián)邦學(xué)習(xí)面向的場(chǎng)景是分散式多用戶,每個(gè)用戶客戶端擁有當(dāng)前用戶的數(shù)據(jù)集。傳統(tǒng)的機(jī)器學(xué)習(xí)的做法是將這些數(shù)據(jù)收集在一起,得到匯總數(shù)據(jù)集,基于匯總數(shù)據(jù)訓(xùn)練得到模型。聯(lián)邦學(xué)習(xí)方法則是由參與方共同訓(xùn)練得到全局模型,首先各參與方基于自己的本地?cái)?shù)據(jù)訓(xùn)練本地模型,再通過(guò)參數(shù)交換和聚合操作,得到全局模型;在該過(guò)程中,用戶數(shù)據(jù)始終存儲(chǔ)在本地,不對(duì)外發(fā)送,滿足數(shù)據(jù)安全和隱私保護(hù)要求。

        最初的聯(lián)邦學(xué)習(xí)框架是在機(jī)器學(xué)習(xí)本身的技術(shù)層面思考信息流的傳遞,保護(hù)原始數(shù)據(jù)不出庫(kù)。但聯(lián)邦學(xué)習(xí)技術(shù)的發(fā)展,對(duì)其提出了增強(qiáng)安全的要求,不僅要求保護(hù)原始數(shù)據(jù),同時(shí)要求進(jìn)一步保護(hù)中間交互的參數(shù),以此提高系統(tǒng)安全性。通過(guò)聯(lián)邦學(xué)習(xí)結(jié)合差分隱私、同態(tài)加密、秘密分享等密碼學(xué)技術(shù)的綜合應(yīng)用,對(duì)數(shù)據(jù)隱私實(shí)現(xiàn)端到端的閉環(huán)保護(hù)。此外,通過(guò)對(duì)代碼、算法、通信、硬件等方面的優(yōu)化,可提升聯(lián)邦學(xué)習(xí)系統(tǒng)的性能,縮小其與傳統(tǒng)集中式機(jī)器學(xué)習(xí)用戶體驗(yàn)的差距。

        發(fā)展至今,聯(lián)邦學(xué)習(xí)技術(shù)逐漸趨于成熟,在業(yè)務(wù)場(chǎng)景得到了較好的嘗試和應(yīng)用。同時(shí),國(guó)際和國(guó)內(nèi)機(jī)構(gòu)也在推動(dòng)聯(lián)邦學(xué)習(xí)等隱私計(jì)算技術(shù)的標(biāo)準(zhǔn)建立。例如,IEEE在2021年3月正式發(fā)布了P3652.1《聯(lián)邦學(xué)習(xí)基礎(chǔ)架構(gòu)與應(yīng)用指南》;3GPP、ISO、ITU-T及中國(guó)金融標(biāo)準(zhǔn)化委員會(huì)(金標(biāo)委)等機(jī)構(gòu)也組織制定聯(lián)邦學(xué)習(xí)的相關(guān)標(biāo)準(zhǔn),促進(jìn)聯(lián)邦學(xué)習(xí)技術(shù)向著更具通用性、可用性、安全性的方向發(fā)展,為聯(lián)邦學(xué)習(xí)技術(shù)生態(tài)發(fā)展奠定了基礎(chǔ)。

        聯(lián)邦學(xué)習(xí)的三種模式

        聯(lián)邦學(xué)習(xí)面向的場(chǎng)景是多參與方,每個(gè)參與方擁有各自的數(shù)據(jù)集。根據(jù)參與方持有數(shù)據(jù)情況的不同,聯(lián)邦學(xué)習(xí)可分為三種模式:橫向聯(lián)邦學(xué)習(xí)(Horizontal Federated Learning)、縱向聯(lián)邦學(xué)習(xí)(Vertical Federated Learning)和聯(lián)邦遷移學(xué)習(xí)(Federated Transfer Learning)。

        橫向聯(lián)邦學(xué)習(xí)

        橫向聯(lián)邦學(xué)習(xí)是指在參與聯(lián)合建模的各方之間用戶重疊較少,而用戶特征重疊較多的情況下,通過(guò)把各參與方的數(shù)據(jù)集按用戶維度切分,并取出雙方用戶特征相同而用戶不相同的那部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練。

        在金融場(chǎng)景中,橫向聯(lián)邦學(xué)習(xí)適用于金融機(jī)構(gòu)間的聯(lián)合建模,即參與方之間業(yè)務(wù)場(chǎng)景相似,用戶特征相同,而用戶群體交集較小的場(chǎng)景。例如,兩家不同地區(qū)的銀行機(jī)構(gòu),它們的用戶群體相互交集很小,但是它們的業(yè)務(wù)很相似,因此用戶特征是相同的;但由于某些特定業(yè)務(wù)場(chǎng)景,如小微企業(yè)信貸等,各參與方可使用的建模樣本均較少,因而難以各自采用傳統(tǒng)機(jī)器學(xué)習(xí)算法構(gòu)建模型,在這種情況下,可以通過(guò)橫向聯(lián)邦學(xué)習(xí)來(lái)聯(lián)合使用多個(gè)不同機(jī)構(gòu)間的樣本數(shù)據(jù),擴(kuò)大模型訓(xùn)練的樣本空間,從而構(gòu)建更準(zhǔn)確、泛化能力更好的模型。

        縱向聯(lián)邦學(xué)習(xí)

        縱向聯(lián)邦學(xué)習(xí)是指在參與聯(lián)合建模各方數(shù)據(jù)集的用戶重疊較多,而用戶特征重疊較少的情況下,通過(guò)把數(shù)據(jù)集按照特征維度切分,并取出雙方用戶相同而用戶特征不相同的那部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練。

        縱向聯(lián)邦學(xué)習(xí)往往用以解決一方數(shù)據(jù)維度過(guò)少,僅用一方數(shù)據(jù)無(wú)法較好地實(shí)現(xiàn)建模目標(biāo),或是一方只有Y標(biāo)簽,需要使用其他參與方的特征來(lái)構(gòu)建聯(lián)合模型的場(chǎng)景,多用于異業(yè)之間的聯(lián)合建模。在金融場(chǎng)景中,縱向聯(lián)邦學(xué)習(xí)常用于金融機(jī)構(gòu)與其他行業(yè)機(jī)構(gòu)之間的聯(lián)合建模,即參與方的用戶交集比較大,但各參與方所擁有的用戶特征差異性大。例如,銀行與運(yùn)營(yíng)商之間的聯(lián)合建模,它們的用戶交集較大,但銀行記錄的都是用戶的收支信息、信貸行為、還款記錄等金融行為信息,而運(yùn)營(yíng)商擁有用戶短信、上網(wǎng)情況等通信行為信息,因此它們之間的用戶特征差異性很大,銀行機(jī)構(gòu)在智能風(fēng)控、智能營(yíng)銷、反欺詐、存客運(yùn)營(yíng)等業(yè)務(wù)場(chǎng)景中,均可使用縱向聯(lián)邦學(xué)習(xí),通過(guò)參與方之間特征的互補(bǔ)來(lái)提升模型的信息量,以增強(qiáng)聯(lián)合模型的識(shí)別和預(yù)測(cè)能力。

        聯(lián)邦遷移學(xué)習(xí)

        聯(lián)邦遷移學(xué)習(xí)是指在參與方數(shù)據(jù)集的用戶與用戶特征重疊都較少,往往無(wú)法基于用戶或特征進(jìn)行切分,在這種情況下可以利用遷移學(xué)習(xí)來(lái)克服樣本和標(biāo)簽不足的情況。

        遷移學(xué)習(xí)的目的是把源領(lǐng)域的知識(shí)遷移到目標(biāo)領(lǐng)域,使得目標(biāo)領(lǐng)域能夠跨越數(shù)據(jù)積累直接實(shí)現(xiàn)應(yīng)用智能,通常適用于源領(lǐng)域數(shù)據(jù)量充足,而目標(biāo)領(lǐng)域數(shù)據(jù)量較小的場(chǎng)景。例如,在金融領(lǐng)域的反洗錢、大額信貸業(yè)務(wù)等場(chǎng)景或是在業(yè)務(wù)啟動(dòng)階段,普遍存在金融樣本有限問(wèn)題,難以采用通用的機(jī)器學(xué)習(xí)算法建模。利用源領(lǐng)域的大量數(shù)據(jù)訓(xùn)練好一個(gè)模型,通過(guò)遷移學(xué)習(xí),將數(shù)據(jù)、模型和任務(wù)都遷移到目標(biāo)領(lǐng)域的小數(shù)據(jù)中,可以得到一個(gè)魯棒性較好的新模型。聯(lián)邦遷移學(xué)習(xí)將遷移學(xué)習(xí)方法與多方安全計(jì)算中的同態(tài)加密等算法相結(jié)合,實(shí)現(xiàn)了聯(lián)邦化的遷移學(xué)習(xí)算法。

        基于聯(lián)邦學(xué)習(xí)的隱私計(jì)算

        聯(lián)邦學(xué)習(xí)的基本原理是在企業(yè)、機(jī)構(gòu)或終端各自數(shù)據(jù)不出本地的前提下,通過(guò)基于密碼學(xué)機(jī)制下的參數(shù)交換,建立虛擬的共有模型。這個(gè)共有模型的性能經(jīng)與傳統(tǒng)方式下將各方數(shù)據(jù)匯聚在一起再使用機(jī)器學(xué)習(xí)方法訓(xùn)練的模型進(jìn)行對(duì)比,兩者效果基本一致。

        聯(lián)邦學(xué)習(xí)的參與方一般包括數(shù)據(jù)方、算法方、協(xié)調(diào)方、計(jì)算方、結(jié)果方、任務(wù)發(fā)起方等,這些不同角色可以根據(jù)不同的實(shí)現(xiàn)機(jī)制,由不同的實(shí)體承擔(dān),或是由某一實(shí)體承擔(dān)多個(gè)角色。目前的聯(lián)邦學(xué)習(xí)的實(shí)現(xiàn)架構(gòu)主要分為兩種:一種是基于協(xié)調(diào)方的中心化聯(lián)邦架構(gòu),另一種是點(diǎn)對(duì)點(diǎn)的去中心化聯(lián)邦架構(gòu)。在中心化聯(lián)邦架構(gòu)中,各參與方需要與中心協(xié)調(diào)方或中央服務(wù)器合作完成聯(lián)合訓(xùn)練;而在點(diǎn)對(duì)點(diǎn)的去中心化聯(lián)邦架構(gòu)中,各個(gè)參與方是對(duì)等關(guān)系,不存在中心化的服務(wù)器,所有交互都是參與方之間通過(guò)多方安全計(jì)算等密碼協(xié)議直接進(jìn)行交互和計(jì)算的。

        橫向聯(lián)邦學(xué)習(xí)通常是基于中心化聯(lián)邦架構(gòu),通過(guò)中心協(xié)調(diào)方來(lái)協(xié)調(diào)和匯總?cè)值哪P?。模型?xùn)練之前,中心協(xié)調(diào)方將初始模型分發(fā)給各參與方,各參與方再根據(jù)本地?cái)?shù)據(jù)集進(jìn)行模型訓(xùn)練, 然后各參與方把本地訓(xùn)練得到的模型參數(shù)加密上傳至中心協(xié)調(diào)方,中心協(xié)調(diào)方對(duì)所有模型梯度進(jìn)行聚合,再將聚合后的全局模型參數(shù)加密傳回給各參與方,反復(fù)此步驟,直到全局模型收斂得到最優(yōu)模型。而縱向聯(lián)邦學(xué)習(xí)根據(jù)不同業(yè)務(wù)場(chǎng)景、參與方之間的信任度、安全強(qiáng)度需求等,可選擇采用中心化聯(lián)邦架構(gòu)或去中心化的點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)架構(gòu),與之對(duì)應(yīng)的是采用密碼學(xué)技術(shù)的差異。聯(lián)邦學(xué)習(xí)常采用同態(tài)加密、差分隱私以及秘密共享、不經(jīng)意傳輸、混淆電路等多方安全計(jì)算技術(shù)來(lái)增強(qiáng)中間交互模型參數(shù)的安全性。此外,隨著產(chǎn)業(yè)應(yīng)用的需求,聯(lián)邦學(xué)習(xí)也與其他多元技術(shù)融合來(lái)滿足更多應(yīng)用場(chǎng)景。例如,通過(guò)采用差分隱私進(jìn)一步增強(qiáng)對(duì)梯度參數(shù)的保護(hù)程度,防止中間梯度信息的泄漏與原始數(shù)據(jù)的反推;與可信執(zhí)行環(huán)境融合,進(jìn)一步提升本地隱私數(shù)據(jù)的安全性或模型的安全等級(jí)。

        聯(lián)邦學(xué)習(xí)的金融應(yīng)用場(chǎng)景

        反欺詐場(chǎng)景

        機(jī)器學(xué)習(xí)在金融反欺詐的應(yīng)用場(chǎng)景中迅速發(fā)展,并已取得顯著成效,金融詐騙行為能夠被有效識(shí)別。但在巨大的經(jīng)濟(jì)利益驅(qū)動(dòng)下,金融詐騙手段層出不窮,傳統(tǒng)基于單一企業(yè)的數(shù)據(jù)建模逐漸難以應(yīng)對(duì)不斷升級(jí)的詐騙手段,需要通過(guò)聯(lián)邦學(xué)習(xí)等隱私計(jì)算技術(shù)打通企業(yè)間的數(shù)據(jù)孤島,構(gòu)建跨行業(yè)數(shù)據(jù)共享的反欺詐模型,以提升金融反欺詐的效率與精準(zhǔn)性。

        借助聯(lián)邦學(xué)習(xí)技術(shù),可以在保證用戶隱私信息、企業(yè)的數(shù)據(jù)安全以及企業(yè)的數(shù)據(jù)所有權(quán)與控制權(quán)的前提下,融合銀行機(jī)構(gòu)、電商、運(yùn)營(yíng)商、政務(wù)等多元數(shù)據(jù),實(shí)現(xiàn)跨行業(yè)、跨機(jī)構(gòu)的反欺詐體系建設(shè)?;诮鹑谛袨樘卣鳌⑾M(fèi)行為特征、通信行為特征、社交行為特征等,構(gòu)建針對(duì)不同細(xì)分金融反欺詐業(yè)務(wù)場(chǎng)景的專有模型,通過(guò)跨行業(yè)、跨機(jī)構(gòu)的多樣性欺詐數(shù)據(jù)特征互補(bǔ),從而提升金融行業(yè)的整體反欺詐能力。

        以國(guó)內(nèi)某商業(yè)銀行為例,其借助聯(lián)邦學(xué)習(xí)技術(shù),引入外部數(shù)據(jù)源,聯(lián)合行內(nèi)已有樣本和特征,利用聯(lián)邦Fastboost算法構(gòu)建反欺詐模型,并與現(xiàn)有欺詐系統(tǒng)進(jìn)行對(duì)接,具體應(yīng)用如圖1所示。

        實(shí)證結(jié)果表明,通過(guò)聯(lián)邦學(xué)習(xí)算法構(gòu)建的跨機(jī)構(gòu)反欺詐模型, 其AUC指標(biāo)達(dá)到0.84,KS指標(biāo)達(dá)到0.55,KS指標(biāo)對(duì)比僅基于行內(nèi)數(shù)據(jù)構(gòu)建的模型提升了約15%。這表明聯(lián)邦學(xué)習(xí)模型能夠?qū)τ脩羝墼p行為進(jìn)行有效識(shí)別,有效提升商業(yè)銀行的風(fēng)險(xiǎn)防控能力。

        信貸風(fēng)控場(chǎng)景

        在信貸風(fēng)控領(lǐng)域,因信審過(guò)程需要調(diào)用不同的數(shù)據(jù)接口,因此面臨著信貸審核成本高昂的情況;此外,銀行等金融機(jī)構(gòu)在面對(duì)中小微企業(yè)的信貸需求時(shí),缺乏企業(yè)經(jīng)營(yíng)情況等有效數(shù)據(jù),導(dǎo)致中小微企業(yè)融資難、融資貴、融資慢;同樣,消費(fèi)金融類企業(yè)在面對(duì)風(fēng)控時(shí),缺乏互聯(lián)網(wǎng)用戶行為畫(huà)像等有效數(shù)據(jù)。

        在中小微企業(yè)信貸場(chǎng)景中,針對(duì)中小微企業(yè)信貸評(píng)審數(shù)據(jù)稀缺、不全面、歷史信息沉淀不足等問(wèn)題,通過(guò)聯(lián)邦學(xué)習(xí)機(jī)制,在確保數(shù)據(jù)提供方數(shù)據(jù)安全以及隱私保護(hù)的情況下,能夠?yàn)殂y行融匯企業(yè)經(jīng)營(yíng)數(shù)據(jù)、稅務(wù)數(shù)據(jù)、工商數(shù)據(jù)、支付數(shù)據(jù)等多源信息,豐富建模特征體系,共同提升模型的有效性。此外,通過(guò)將風(fēng)險(xiǎn)前置,從風(fēng)險(xiǎn)源頭切入,采用隱私計(jì)算還可幫助金融機(jī)構(gòu)過(guò)濾信貸黑名單客戶以及過(guò)濾明顯沒(méi)有轉(zhuǎn)化價(jià)值的貸款客戶。

        以國(guó)內(nèi)某商業(yè)銀行為例,其在進(jìn)軍中小微企業(yè)貸款市場(chǎng)過(guò)程中,苦于沒(méi)有充足的數(shù)據(jù)特征維度用以判斷企業(yè)的信用評(píng)分,因此將風(fēng)控縮緊,雖然保證了業(yè)務(wù)安全性,卻降低了盈利性。借助聯(lián)邦學(xué)習(xí)的方式,該銀行與某支付機(jī)構(gòu)進(jìn)行跨機(jī)構(gòu)數(shù)據(jù)協(xié)作,對(duì)企業(yè)進(jìn)行信用評(píng)估。銀行提供建模樣本Y標(biāo)簽,外部合作機(jī)構(gòu)提供相關(guān)樣本的X數(shù)據(jù)特征,采用聯(lián)邦邏輯回歸算法構(gòu)建風(fēng)險(xiǎn)評(píng)分模型,對(duì)客戶進(jìn)行評(píng)分區(qū)間預(yù)測(cè),相關(guān)方案如圖2所示。

        基于外部數(shù)據(jù)源輔助的模型訓(xùn)練結(jié)果顯示,其AUC指標(biāo)達(dá)到0.71,KS指標(biāo)達(dá)到0.34,能夠?yàn)殂y行在中小微信貸場(chǎng)景提供有效的風(fēng)控能力。

        此外,聯(lián)邦學(xué)習(xí)技術(shù)也可用于消費(fèi)金融機(jī)構(gòu)信貸場(chǎng)景。針對(duì)消費(fèi)金融機(jī)構(gòu)Y樣本量不足、好壞樣本區(qū)分度不夠、樣本呈偏態(tài)分布等問(wèn)題,建議通過(guò)聯(lián)邦學(xué)習(xí)機(jī)制,融合多家信貸機(jī)構(gòu)的數(shù)據(jù)進(jìn)行小樣本聯(lián)合建模,并不斷積累業(yè)務(wù)數(shù)據(jù)迭代優(yōu)化模型。

        銀保營(yíng)銷場(chǎng)景

        銀行在保險(xiǎn)業(yè)務(wù)的推廣方面存在天然優(yōu)勢(shì),同時(shí)也是其重要業(yè)務(wù)組成的一部分,但是目前銀行在保險(xiǎn)產(chǎn)品的營(yíng)銷和精準(zhǔn)獲客方面存在以下的問(wèn)題:一是獲客難度大。銀行在尋找客戶過(guò)程中,因客戶畫(huà)像不精準(zhǔn),導(dǎo)致獲客轉(zhuǎn)化率低。二是客戶需求把握不準(zhǔn)。因客戶維度的缺失,導(dǎo)致銀行營(yíng)銷人員對(duì)潛在客戶的需求定位不清晰,難以挖掘其真實(shí)需求,潛在價(jià)值沒(méi)有得到充分的發(fā)揮。三是總成本居高不下。因獲客轉(zhuǎn)化率低,同時(shí)產(chǎn)品推介針對(duì)性不強(qiáng),導(dǎo)致銀行保險(xiǎn)業(yè)務(wù)營(yíng)銷的整體ROI偏低。

        以國(guó)內(nèi)某商業(yè)銀行為例,在代銷保險(xiǎn)業(yè)務(wù)中銀行希望從數(shù)億客群中挖掘出潛在的保險(xiǎn)用戶,進(jìn)行銀保交叉營(yíng)銷。在實(shí)施過(guò)程中,采用聯(lián)邦學(xué)習(xí)技術(shù),利用保險(xiǎn)公司已有人群特征標(biāo)簽作為種子用戶,并選用聯(lián)邦推薦算法,構(gòu)建多維、準(zhǔn)確的聯(lián)邦推薦模型,從而識(shí)別出更多潛在相似人群,同時(shí)優(yōu)化營(yíng)銷渠道。

        對(duì)模型運(yùn)行結(jié)果及營(yíng)銷結(jié)果進(jìn)行統(tǒng)計(jì)分析,實(shí)證結(jié)果表明, 在轉(zhuǎn)化率、ROI、長(zhǎng)短期保險(xiǎn)營(yíng)銷比例等方面,聯(lián)邦學(xué)習(xí)模型結(jié)果均有較為明顯的提升,如圖3所示。

        結(jié)語(yǔ)

        聯(lián)邦學(xué)習(xí)是當(dāng)前隱私立法時(shí)代能夠兼顧隱私與數(shù)據(jù)保護(hù)要求以及機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘應(yīng)用需求的一項(xiàng)前沿IT技術(shù)。在商業(yè)銀行具體業(yè)務(wù)場(chǎng)景中,基于聯(lián)邦學(xué)習(xí)的隱私計(jì)算平臺(tái)能夠解決數(shù)據(jù)使用合法合規(guī)的問(wèn)題,拓寬金融行業(yè)數(shù)據(jù)邊界,并打破數(shù)據(jù)割裂的壁壘。借助聯(lián)邦建??梢栽诒Wo(hù)用戶信息不泄露的前提下,將來(lái)自支付應(yīng)用的消費(fèi)數(shù)據(jù)、交通出行數(shù)據(jù)、通信數(shù)據(jù)、上網(wǎng)行為數(shù)據(jù)等多方、多維度信息納入聯(lián)邦風(fēng)控模型、聯(lián)邦反欺詐模型、聯(lián)邦營(yíng)銷模型、聯(lián)邦反洗錢模型等多類業(yè)務(wù)場(chǎng)景中,在滿足合規(guī)經(jīng)營(yíng)的前提下,進(jìn)一步推動(dòng)銀行數(shù)字化轉(zhuǎn)型、智能化發(fā)展,全面提升商業(yè)銀行的業(yè)務(wù)質(zhì)效。

        (龍盈智達(dá)〔北京〕科技有限公司大數(shù)據(jù)中心楊璇、袁開(kāi)蓉以及同盾科技有限公司人工智能研究院彭宇翔、張明明對(duì)本文亦有貢獻(xiàn)。王彥博〔wangyanbo@lyzdfintech.com〕為本文通信作者)

        責(zé)任編輯:孫 爽

        猜你喜歡
        特征用戶模型
        一半模型
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        抓住特征巧觀察
        關(guān)注用戶
        商用汽車(2016年11期)2016-12-19 01:20:16
        3D打印中的模型分割與打包
        關(guān)注用戶
        商用汽車(2016年6期)2016-06-29 09:18:54
        關(guān)注用戶
        商用汽車(2016年4期)2016-05-09 01:23:12
        人妻av午夜综合福利视频| 伊人久久大香线蕉综合网站| 精品久久久久久777米琪桃花| 国产日产精品久久久久久| 高清亚洲成av人片乱码色午夜 | 337p人体粉嫩胞高清视频| 亚洲精品国产v片在线观看| 久久99久久99精品免观看女同| 丰满人妻被持续侵犯中出在线| 欧美丰满熟妇xxxx性ppx人交| 中日韩精品视频在线观看| 色综合久久久久综合999| 我的极品小姨在线观看| 久久久久成人精品免费播放动漫 | 有码精品一二区在线| 亚洲精彩视频一区二区| 91精品国产综合久久久密臀九色 | 91华人在线| 亚洲粉嫩视频在线观看| 女人下边被添全过视频| 精品人妻系列无码人妻免费视频| 久久亚洲国产精品五月天| 久久久人妻一区二区三区蜜桃d | 国产传媒精品成人自拍| 精品久久久久久无码中文字幕| 中文字幕av在线一二三区| 国产亚洲精品综合99久久 | 五月婷婷激情六月开心| 一区在线视频免费播放| 波多野42部无码喷潮| 在线观看网址你懂的| 国产黄色三级三级三级看三级| 欧美白人战黑吊| 中出内射颜射骚妇| 成人国产精品高清在线观看| 日本第一影院一区二区| 天天爽天天爽夜夜爽毛片| 亚洲制服无码一区二区三区 | 国产一区二区精品亚洲| 久久无码av中文出轨人妻| 巨爆乳中文字幕爆乳区|