近期,中国银联联邦学习平台成功通过了中国金融认证中心(CFCA)的“联邦学习技术应用产品测评”。
中国银联联邦学习平台使用多方安全计算(MPC)、联邦学习等核心技术,采用开放云原生架构,在确保各方原始数据不出域的基础上,对跨地域、跨机构金融数据进行共享融合,实现多方联合的安全计算、联邦模型训练和联邦预测。同时,平台的底层MPC协议也通过了中国金融认证中心(CFCA)的“多方安全计算产品测评”,支持在半诚实模型下两个数据提供方提供数据、三个计算方协同计算。平台能够有效支撑机构间基于联邦学习开展数据合作,后续将进一步联合业界的隐私计算技术供应商共同推动互联互通规范对接,促进更多行业机构实现隐私计算数据网络互联,赋能金融数据要素的安全合规流通。
CFCA“联邦学习技术应用产品测评”从功能要求、非功能要求、数据安全要求三个方面对平台进行测评,包括节点、算法、数据、模型、存证、可靠性、性能等非安全要求和计算安全、模型安全、数据安全等安全要求。
CFCA在完成首批多方安全计算产品检测的基础上,归纳总结市场产品的架构和应用场景,结合自身在金融和密码行业检测评估的丰富经验,推出金融级联邦学习技术应用产品测评业务,未来将进一步推动隐私计算互联互通规范的形成,为促进数据有序共享、深化数据综合应用、做好数据安全保护保驾护航。
小贴士:什么是联邦学习
联邦学习(也称为协作学习)是一种机器学习技术,可以在多个分散的边缘设备或服务器上训练算法,这些设备或服务器拥有本地数据样本,而不需要交换它们。这种方法与将所有本地数据集上传到一个服务器的传统集中式机器学习技术以及通常假设本地数据样本相同分布的更经典的分散式方法形成对比。
谷歌于2017年提出联邦学习的训练方法,谷歌对于联邦学习的定义是,无需通过中心化的数据,即可训练一个机器学习模型。
从数据的角度分类,联邦学习可以分为以下三种类型:
1.横向联邦学习:两个数据集的用户特征重叠较多、用户重叠较少,取出两方用户特征相同而用户不完全相同的数据进行训练。
2.纵向联邦学习:两个数据集的用户重叠较多、用户特征重叠较少,取出两方用户相同而用户特征不完全相同的数据进行训练。
3.联邦迁移学习:两个数据集的用户和用户特征都重叠较少,需要横向联邦和纵向联邦的组合。
从建模的角度分类,联邦学习可以分为以下三种类型:
1.联邦数据探查:对数据进行处理和统计分析,常见的联邦数据探查技术有隐私求交、特征相关、联邦分箱、特征选择、特征编码等。
2.联邦模型训练:常用的模型有线性回归、逻辑回归、树模型、神经网络模型。
3.联邦模型推理:基于模型得到推理结果,分为横向推理和纵向推理。
责任编辑:韩希宇
免责声明:
中国电子银行网发布的专栏、投稿以及征文相关文章,其文字、图片、视频均来源于作者投稿或转载自相关作品方;如涉及未经许可使用作品的问题,请您优先联系我们(联系邮箱:cebnet@cfca.com.cn,电话:400-880-9888),我们会第一时间核实,谢谢配合。