精彩回顾 | 斐波那契（FiboAI)CEO国德峰作为嘉宾出席“2022数据要素安全流通论坛—联邦学习专场（二）”并发表主题演讲

6月17日，由《数据要素安全流通白皮书》编委会主办的《2022数据要素安全流通论坛—联邦学习专场（二）》在线上举行，论坛以“推动创新 交互未来”为主题，探讨数据价值安全、高效流转之道。

本次论坛受邀出席嘉宾有华东江苏大数据交易中心总经理汤寒林、斐波那契（FiboAI)CEO国德峰、融安数科创始人&CTO刘伟、洞见科技解决方案总监薛婧、九四智能运营总监温聪颖。

精彩回顾

斐波那契（FiboAI)CEO国德峰作为嘉宾出席此次论坛，并围绕“联邦学习重塑数据生态”主题进行分享。

01

斐波那契(Fibo)

斐波那契(Fibo)，成立于2020年11月，致力于决策科技AI领域，以数字决策平台（DDP）为核心，通过大数据、人工智能、联邦学习等先进技术助力企业进行数字化升级和转型，实现人工智能快速规模化转型落地，发掘数据背后的规律，实现智能决策，全方位提升决策能力。

02

联邦学习背景

国德峰表示，随着互联网和科技的发展，数据呈现爆炸式指数级增长，数字化已经成为构建现代社会的基础力量，并推动我们走向深度变革的时代。根据IDC发布的《数据时代2025》报告显示，全球每年产生的数据从2018年的33ZB增长到175ZB，相当于每天产生491EB的数据，如果把175ZB全部存在DVD光盘中，那么DVD叠加起来的高度将是地球和月球距离的23倍（月地最近距离约39.3万公里），或者绕地球222圈（一圈约为四万公里），但这些数据散落在各处，比如我们在实际业务中用到的社交数据、广告营销数据、运营商数据、电商数据、消费数据等分布在各个机构和企业中，我们总是希望这些数据可以整合并打通，使数据覆盖全面，但现实往往不是这样，而是数据孤岛现象严重。

除此之外，每家企业和机构掌握的数据有限，如果想做各种模型或决策需要跨机构合作，但传统的跨机构数据合作充满风险、效果难以得到保证，因为用户隐私受到保护、监管合规趋严、模型效果难提升。面对数据合作困境，有两种传统解决方案，但无法解决根本问题，一种是直接传递脱敏数据，对于一些合规要求较低的企业，降数据进行简单脱敏处理后传给使用方，在使用方侧建立模型；另外一种是各自建模，子模型融合，数据不出各自环境，建模人员携带Y样本，分别在两个企业驻场进行模型训练，再将子模型结果进行融合，数据最终评分。

传统的方法不能解决数据合作困境，那有什么创新的模式呢？国德峰表示，联邦学习是“数据孤岛”问题的优秀解决方案，允许从跨数据所有者分布的数据中构建聚合模型，提供了跨企业的数据使用和模型开发的蓝图，并适用于B2B和B2C等业务，可广泛应用于广告营销等各种领域，重塑数据生态。

首先，联邦学习希望各个企业自有的数据不出本地，实现数据“可用不可见”，而联邦系统可以通过加密机制下的参数交换的方式，在不违法数据隐私保护法规的情况下，建立一个虚拟的共有模型。这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。

此外，联邦学习重塑数据生态非常重要的一个关键点就是安全的数据传输，使不同的机构无法得到对方的数据。我们知道A，B共有id Xc:{1,2,3}，但是要使得使B不知道A有4，A不知道B有5，这样每个机构的数据才是安全的。

所以，联邦学习的主要理念，就是要做到在用户不对外共享数据的前提下，完成传统人工智能技术无法实现的多机构联合训练模型系统，重塑数据生态。具体表现为1）各方数据都保留在本地，不泄露隐私也不违反法规；2）多个参与者联合数据建立虚拟的共有模型，并且共同获益的体系；3）联邦学习的建模效果和将整个数据集放在一处建模的效果相同，或相差不大；4）联邦学习通过加密手段交换参与各方的梯度，而非用户数据本身，且根据梯度无法反推原始数据；5）参与联邦学习的双方可根据样本对齐找出同样的用户，将这部分用户的不同特征作为输入、迭代训练模型和交 换参数。在此过程中，双方不能反推对方拥有而自己没有的用户/特征；6）参与联邦学习的各方可以在不共享数据的前提下，利用双方的数据优势实现各自的模型增长。

03

联邦学习应用场景案例

国德峰还分享了联邦学习重塑数据生态的应用场景案例。联邦学习适用于B2B和B2C等业务，可广泛应用于各种应用场景，比如互联网+银行、互联网+保险、银行+监管、互联网+零售、智慧城市、智慧安防和智慧制造等。联邦学习使得数据应用的形式发生了变化，不断推进数据变革，重塑数据生态。

首先是联邦建模，在联邦建模上，联邦学习主要解决企业之间的安全联邦建模场景。通过学习、数据加密计算和交互，实现了各机构间数据在隐私数据不出库前提下的联邦建模，为风控、营销领域业务实践提供精准数据驱动能力。

第二是精准获客，以银行为例，基于联邦学习，在银行和第三方进行联合建模，在合规的前提下，提升精准获客能力。

第三是基于联邦学习的个人信贷风控模型，金融机构希望提升模型效率，想与企业进行数据层面的合作，但是只有金融机构拥有Y=“逾期表现”，合作企业无法暴露含有隐私的X，传统的数据传统建模方法使得合作企业缺乏Y，无法独立建模，X数据全量传输到金融机构不可行。最好的解决方案就是联邦学习建模方式，让金融机构只有几十维度和合作企业上百维度进行结合，使得联合模型效果超过单边数据建模。

04

联邦学习重塑数据生态

最后，国德峰总结了联邦学习重塑数据生态的发展趋势。1）统一数据标准与技术规范：联邦学习的应用，涵盖多个数据生命周期，包括数据的创建与存储、数据处理、特征提取等，统一数据标准将极大降低系统处理损耗；2）重塑数据生态 构建解决方案：在人工智能的发展和应用实践过程中，联邦学习因其数据隐私保护、跨机构合作等方面的独特优势，有效重塑了数据生态，在未来构建出更全面、更丰富、更可靠、更安全的解决方案；3）促进智能决策蓬勃发展：随着联邦学习的日趋成熟、完善以及应用推广，有效规避隐私安全，促进业务发展与数据应用平衡的同时，也助力各类企业智能决策，促进智能决策蓬勃发展。