洞见科技参编的中国信通院《联邦学习场景应用研究报告》正式发布

2021 年以来，《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》相继实施，个人隐私和产业机密数据保护日趋完善，以联邦学习技术为代表的隐私计算赛道产业生态逐渐丰富，在着重强调数据安全和个人信息保护的同时，完善了数据相关合规监管框架，为数据流通和使用进一步拓展了空间。

近期，在行业多家联邦学习产业链上下游企业的共同支持下，中国信通院编写的《联邦学习场景应用研究报告（2022 年）》正式发布。洞见科技作为领先的隐私计算技术服务商深度参与报告编写，不仅撰写了联邦学习相关技术内容，还为报告提供金融应用典型场景——「小微商户风控与营销」，展示了隐私计算如何赋能金融业务场景应用、如何助力实际业务效果提升。

报告总结了中国信通院对于联邦学习技术、数据应用推广的经验，并深入探讨了联邦学习在政务、医疗、金融、广告、物流等领域的应用价值，以期为数据应用价值的释放带来解读和参考。

报告目录

一、 联邦学习简介

(一) 数据隐私安全及孤岛问题

(二) 联邦学习定义

(三) 联邦学习主要作用

(四) 联邦学习技术优势

二、 联邦学习发展历程

(一) 传统隐私保护

(二) 联邦学习

(三) 安全联邦学习

三、 联邦学习进阶

(一) 主要技术原理

(二) 联邦学习的分类

(三) 联邦学习模型

(四) 联邦学习能力

(五) 联邦学习流程

四、 安全联邦学习

(一) 可信计算环境

(二) 多方安全计算

(三) 同态加密

(四) 差分隐私

(五) 安全性

(六) 性能

五、 应用场景

(一) 政务开放

(二) 医疗应用

(三) 金融应用

(四) 数字广告

(五) 物流行业

六、 展望

(一) 政策引导、持续释放行业红利

(二) 凝聚共识、加速应用场景探索

(三) 标准建设、加强平台互联互通

洞见科技联邦学习实践发现，联邦学习不但包括隐私保护下实现机器学习算法的模型训练，而且应用落地中通常还会涉及样本对齐、联邦数据预处理、联邦特征工程、联邦模型训练、联邦在线推理等建模全流程。这些内容在报告的联邦学习流程章节作出了详尽阐述。

洞见科技本次入选的金融应用典型场景——「小微商户风控与营销」，就是通过联邦学习技术引入场景方和第三方数据，与金融机构自身样本资源结合，在各方原始数据或样本均不出本地的前提下，提升金融机构在该场景下的风控与营销能力。

从应用效果来看，场景方通过多方联合构建的策略风控模型，在合法合规的前提下筛选出符合银行风控「偏好」的小微商户，显著提高了用户的转化率和金融服务体验，金融机构大幅提升了业务运营效率、降低运营成本。

洞见科技团队自 2017 年就开始隐私计算相关技术研究，一直专注和深耕于隐私计算技术，在可信联邦学习方面，基于业务实践经验研发出「快速联邦学习」和「无可信第三方联邦学习」等多种联邦学习技术方案，以满足不同应用场景需求，形成最优解决方案。洞见快速联邦学习技术，能够大幅提升算法速率，解决联合建模中的性能问题；洞见无可信第三方联邦学习（NTP-FL）技术，能够解决多方联合建模中的第三方可信风险问题；此外，洞见科技还采用区块链技术增信联邦学习，来保障隐私计算服务的可信性。

当下，隐私计算行业也越来越重视多方安全计算和联邦学习的融合使用，洞见科技独立自研的 InsightOne 隐私计算平台前瞻性地将多方安全计算、可信联邦学习、可信执行环境、差分隐私和零知识证明等技术融合以形成面向计算场景的自适应计算引擎，创新实现了「数据处理引擎+隐私计算引擎+场景应用引擎+异构互联互通容器+区块链可信网关」的融合引擎架构，目前在金融行业已取得大量落地应用案例，服务客户包括中国银行、中国建设银行、招商银行、北京银行、中国人寿等大型银行和保险机构。

未来，洞见科技将基于洞见数智联邦平台（InsightOne），以隐私计算技术赋能数据要素安全开放流通，服务政务、金融、运营商等行业客户，实现具体场景下的业务效果提升。