近期，中國銀聯聯邦學習平臺成功通過了中國金融認證中心（CFCA）的“聯邦學習技術應用產品測評”。

中國銀聯聯邦學習平臺使用多方安全計算（MPC）、聯邦學習等核心技術，采用開放云原生架構，在確保各方原始數據不出域的基礎上，對跨地域、跨機構金融數據進行共享融合，實現多方聯合的安全計算、聯邦模型訓練和聯邦預測。同時，平臺的底層MPC協議也通過了中國金融認證中心（CFCA）的“多方安全計算產品測評”，支持在半誠實模型下兩個數據提供方提供數據、三個計算方協同計算。平臺能夠有效支撐機構間基于聯邦學習開展數據合作，后續將進一步聯合業界的隱私計算技術供應商共同推動互聯互通規范對接，促進更多行業機構實現隱私計算數據網絡互聯，賦能金融數據要素的安全合規流通。

CFCA“聯邦學習技術應用產品測評”從功能要求、非功能要求、數據安全要求三個方面對平臺進行測評，包括節點、算法、數據、模型、存證、可靠性、性能等非安全要求和計算安全、模型安全、數據安全等安全要求。

CFCA在完成首批多方安全計算產品檢測的基礎上，歸納總結市場產品的架構和應用場景，結合自身在金融和密碼行業檢測評估的豐富經驗，推出金融級聯邦學習技術應用產品測評業務，未來將進一步推動隱私計算互聯互通規范的形成，為促進數據有序共享、深化數據綜合應用、做好數據安全保護保駕護航。

小貼士：什么是聯邦學習

聯邦學習（也稱為協作學習）是一種機器學習技術，可以在多個分散的邊緣設備或服務器上訓練算法，這些設備或服務器擁有本地數據樣本，而不需要交換它們。這種方法與將所有本地數據集上傳到一個服務器的傳統集中式機器學習技術以及通常假設本地數據樣本相同分布的更經典的分散式方法形成對比。

谷歌于2017年提出聯邦學習的訓練方法，谷歌對于聯邦學習的定義是，無需通過中心化的數據，即可訓練一個機器學習模型。

從數據的角度分類，聯邦學習可以分為以下三種類型：

1.橫向聯邦學習：兩個數據集的用戶特征重疊較多、用戶重疊較少，取出兩方用戶特征相同而用戶不完全相同的數據進行訓練。

2.縱向聯邦學習：兩個數據集的用戶重疊較多、用戶特征重疊較少，取出兩方用戶相同而用戶特征不完全相同的數據進行訓練。

3.聯邦遷移學習：兩個數據集的用戶和用戶特征都重疊較少，需要橫向聯邦和縱向聯邦的組合。

從建模的角度分類，聯邦學習可以分為以下三種類型：

1.聯邦數據探查：對數據進行處理和統計分析，常見的聯邦數據探查技術有隱私求交、特征相關、聯邦分箱、特征選擇、特征編碼等。

2.聯邦模型訓練：常用的模型有線性回歸、邏輯回歸、樹模型、神經網絡模型。

3.聯邦模型推理：基于模型得到推理結果，分為橫向推理和縱向推理。

責任編輯：韓希宇