在数字化浪潮的时代背景下，数据要素的战略性意义逐渐成为全球共识。“十四五”规划明确提出“充分发挥数据要素作用，赋能数字经济发展”，数据已经成为数字经济时代不可或缺的生产要素，数据安全与隐私保护进一步上升至宏观政策层面。

在人工智能领域，隐私保护技术“联邦学习（Federated Learning）”作为一种分布式的机器学习新范式，具有“数据不动模型动，数据可用不可见”的核心特征，已成为推动人工智能产业应用深化、数据要素流通、数据价值释放的关键技术。

微众银行是国内首家提出“联邦学习”解决数据孤岛与数据隐私保护难题的机构，其近期的联邦学习技术创新成果，被国际人工智能顶级学术期刊和顶级学术会议收录发表，并开源发布于FATE联邦学习技术平台，对联邦学习产业实践提供了前瞻性的技术指导。

微众银行联合国内高校研究 深化联邦学习技术应用

此次微众银行与上海交通大学、中山大学等机构联合撰写的《联邦学习中隐私与模型性能没有免费午餐定理》、《FedCG: 联邦条件对抗生成网络》、《FedIPR：联邦学习模型所属权验证》多篇论文被IJCAI 2022、TPAMI 2022、ACM TIST国际人工智能顶级学术期刊和顶级学术会议收录发表。

论文从可信联邦学习理论框架、性能效率提升、版权保护等多方面拓展了联邦学习技术，相关研究成果将成为技术发展创新之路的灯塔，反哺产业应用，进一步推动联邦学习技术应用深化，促进数据要素流通与数据价值释放。

随着行业应用的深化，可用性、效率等多维度被纳入整体技术框架，“可信联邦学习”(Trustworthy Federated Learning)新范式应运而生。作为一种增强型的联邦学习，可信联邦学习除了保证原始数据的隐私安全和模型的可证安全，还保证学习过程的高效率和模型的可用性，模型决策机制的可解释性，模型的可溯源和审计监管。

论文《联邦学习中隐私与模型性能没有免费午餐定理》提出了隐私与模型性能的“No-free-lunch安全-收益恒定”定律，首次从信息论的角度分析揭示了联邦学习的模型效用与隐私保护之间的内在约束关系，利用该定律可实现可信联邦学习的安全、效用、效率三者的协调，在保证数据隐私保护的同时，也最大化模型效用和学习效率。有效运用该定律能够量化分析隐私计算各种技术保护方案的优劣，进一步优化隐私保护算法设计，为设计可信联邦学习算法提供有效的指导。

针对目前联邦学习中同态加密、差分隐私等隐私保护方法可能带来计算和通信开销大、模型性能大幅下降的弊端，论文《FedCG: 联邦条件对抗生成网络》提出在横向联邦学习中将生成对抗网络与分割学习相结合，有效保护了参与方的数据隐私，同时保障了各参与方模型性能的竞争力。《FedIPR：联邦学习模型所属权验证》提出了名为“FedIPR”的首个联邦学习模型版权验证框架。在不牺牲模型可用性前提下，该框架提供了可靠的模型反盗版机制，保护了模型拥有者的所有权等合法权利和商业利益。

安全隐私技术蓬勃发展 微众银行助推联邦学习落地应用

由清华大学发布的《2022联邦学习全球研究与应用趋势报告》指出，未来联邦学习研究趋势将更多与算法模型和安全隐私技术相关。据统计，在联邦学习领域，全球高被引论文领先的机构依次是谷歌、卡内基·梅隆大学、北京邮电大学及微众银行。从论文发布及高被引用论文数量、全球专利受理量及开源框架热度等几个方面来看，中国与美国正在引领全球联邦学习发展。

作为全球领先的数字银行，微众银行早在2019年，就将其自研的全球第一个联邦学习工业级开源框架Federated AI Technology Enabler（FATE）捐赠给了Linux基金会，并持续丰富和补充联邦学习开源产品版图，扩大以 FATE 开源生态为核心的联邦学习生态。

截至目前，FATE开源社区吸纳了电信运营商、金融机构、大型互联网与科技企业在内的19家成员单位，包括工商银行、中国银联、微众银行、VMware、星云Clustar、中国电信、中国联通、国电通、中国银行、中银金科、建信金科、光大科技、易方达基金、腾讯云、美团、医渡云、第四范式、绿盟科技、亚信科技等。

同时，微众银行积极将前沿技术应用在自身金融业务实践中，保障自身核心技术的自主可控和信息安全。通过不断深化联邦学习等先进技术与相关业务场景的深度融合，微众银行构建了以联邦学习和迁移学习为技术核心，覆盖营销、运营、资管、风控、客服、KYC 等多场景全链路的 AI 产品矩阵，在提升风险管理、市场营销、客户服务等领域智能化水平方面取得了新成效。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。