實際案例講解

通過上面的介紹，我們發(fā)現(xiàn)聯(lián)邦學習在以下幾個場景下非常有幫助：? 數(shù)據(jù)總量不夠? 樣品不夠充分? 數(shù)據(jù)維度不夠多? 數(shù)據(jù)隱私／核心價值保護

聯(lián)邦學習的優(yōu)點是整個學習訓練過程，沒有傳輸任何原始數(shù)據(jù)。那么聯(lián)邦學可以具體應用在哪些場景中呢？以下兩個案例希望能幫你更好的理解聯(lián)邦學習的實際應用。

案例一：醫(yī)療數(shù)據(jù)聯(lián)邦建模。A， B， C 代表三家地方醫(yī)院，各自擁有疾病的診斷數(shù)據(jù)和診斷結果，但由于病人數(shù)目的限制， A， B， C本身的數(shù)據(jù)大小有限，單獨建立的模型效果不佳；

如果將A， B， C數(shù)據(jù)的聯(lián)合建模，使得模型樣本更加充足。極大的提高疾病預測的準確度，使得智能基本輔助診斷成為可能。

案例二：個人信用風險評估項目。當前金融信貸業(yè)務中往往受限于數(shù)據(jù)不夠豐富，在數(shù)據(jù)可解釋性及穩(wěn)定性、風控模型效果、風險策略和獲客成本等層面面臨諸多挑戰(zhàn)，借助聯(lián)邦建�？梢栽诒Ｗo用戶信息不泄露的前提下將來自通信運營商／支付機構等更多維度納入聯(lián)合風控模型中，從而構建更精準大數(shù)據(jù)風控模型用以測算借款自然人。

A是地方性銀行，經(jīng)營信貸業(yè)務，擁有完整的欺詐標簽和用戶存貸款／部分信用卡消費信息；B是通信運營商／支付機構，擁有相同用戶的定位，網(wǎng)絡瀏覽等信息，能夠在不同維度捕捉用戶特征。聯(lián)邦學習可以聚合不同維度的特征在加密的狀態(tài)下聯(lián)合建模，從而提高模型的預測能力和穩(wěn)定性，打擊不法欺詐行為。

根據(jù)我們已有的實踐效果，發(fā)現(xiàn)經(jīng)過聯(lián)合分析后可實現(xiàn)：? 評分卡模型交叉多方數(shù)據(jù)，增加模型入模變量，模型 AUC 提升近 3％；? 提升客戶風險定價能力，輔助風險策略額外挖掘 2％ 產(chǎn)品目標人群；

總結

聯(lián)邦學習是為了解決跨設備、跨機構間的數(shù)據(jù)融合問題，無論是從隱私安全還是從保證數(shù)據(jù)格式統(tǒng)一層面，標準的制定對聯(lián)邦學習的大規(guī)模落地具備重要意義。

從目前整個數(shù)據(jù)產(chǎn)業(yè)看，聯(lián)邦學習可以增加可用數(shù)據(jù)的總量，能很好的解決現(xiàn)存數(shù)據(jù)孤島的問題；對企業(yè)自身而言，使用聯(lián)邦學習能簡單、合法且低成本的獲取外部有效的數(shù)據(jù)信息，快速解決某些因數(shù)據(jù)量或數(shù)據(jù)維度不足而導致的困擾，而且也不會造成合作企業(yè)間數(shù)據(jù)或商業(yè)機密的泄露。

規(guī)范數(shù)據(jù)使用可以在匯聚更多數(shù)據(jù)的基礎上迎來數(shù)據(jù)價值挖掘的下一個爆發(fā)點，帶動 AI 的數(shù)據(jù)基礎設施進步，隱私計算未來會逐步成為 AI 的基礎設施。

現(xiàn)階段要用到聯(lián)邦學習的場景需求是很多的，但大規(guī)模落地還未到來，除了以上提到的政策和標準待完善的問題，還有就是對工程師的技能要求很高，例如使用聯(lián)邦學習做隱私建模等技術需要更多的知識普及和經(jīng)驗積累，但隨著市場需求和技術解決方案的逐步清晰，相信越來越多的企業(yè)參與其中，聯(lián)邦學習助力數(shù)據(jù)流動，讓數(shù)據(jù)孤島聯(lián)結成網(wǎng)，推動人工智能的進一步發(fā)展。

互動交流

Q： 根據(jù)您工作經(jīng)驗，應用聯(lián)邦學習的最佳應用場景有哪些？除了隱私數(shù)據(jù)挖掘以外，還有哪些？您認為目前在實際中應用聯(lián)邦學習最大的障礙是什么？缺乏高效的學習模型還是缺乏有利的infra 支持，比如移動端計算資源和網(wǎng)絡通信速率的限制。A： 最佳應用場景包括 1： 缺樣本，需要多方一起補充 2： 缺特征，需要多方補齊。最大的障礙是效率，不僅僅是網(wǎng)絡，也包括算力，需要工程和密碼的共同優(yōu)化。

Q： 多方安全計算和聯(lián)邦學習的性能問題沒有提及，這塊會是應用受限的主要困難嗎？A： 在落地的過程中，性能是非常重要的一個限制，這里的性能包括算力，網(wǎng)絡通訊量，qps等，在相同安全性的前提下，提升性能也是我們重點優(yōu)化對象。