联邦学习

为什么金融需要联邦学习

金融机构、平台企业和公共部门掌握的数据互补性强，但受隐私、合规和商业边界限制，原始数据往往不能集中。

• 普惠金融中，小微企业、农户和个体经营者的信用信息分散在银行、支付、税务、物流和电商系统中。
• 传统集中式建模要求数据汇聚，容易触发隐私、授权、数据安全和治理问题。
• 联邦学习的目标是在数据留在本地的前提下，通过交换模型参数或加密中间结果实现协同训练。

横向、纵向与迁移联邦

联邦学习的类型取决于参与方样本和特征的重叠关系。

• 横向联邦：不同机构拥有相似特征但不同样本，例如多家地区银行各自拥有本地客户。
• 纵向联邦：不同机构拥有相同或重叠客户但不同特征，例如银行拥有信贷记录，电商平台拥有经营数据。
• 联邦迁移学习：样本和特征重叠都较少，需要借助迁移学习建立跨域知识共享。

FedAvg 算法

FedAvg 是横向联邦学习中最经典的算法：各客户端本地训练模型，服务器按样本量加权聚合参数。

• 其中 $w_{t+1}^{(k)}$ 是第 $k$ 个机构本地训练后的模型参数，$n_k$ 是该机构样本量，$n=\sum_k n_k$。
• FedAvg 降低通信成本，因为客户端可以先进行多轮本地更新，再上传模型参数。
• 当机构之间数据分布差异很大时，简单平均可能效果下降，需要个性化联邦或分层聚合。

安全聚合与差分隐私

只上传模型参数并不等于绝对安全。攻击者仍可能通过梯度或参数反推出部分训练数据，因此需要额外隐私机制。

• 差分隐私通过向训练过程加入噪声，使单个样本对输出结果的影响受到限制。
• 安全聚合使服务器只能看到多个客户端更新的加总结果，而不能看到单个机构的明文更新。
• 隐私保护通常会带来精度、通信和计算成本，需要在业务目标和合规要求之间权衡。

金融应用场景

• 联合信用评分：多家金融机构在不交换原始客户数据的情况下训练风险模型。
• 反洗钱与反欺诈：不同机构共享风险模式，提高跨平台异常行为识别能力。
• 普惠金融：银行、供应链平台和公共数据源协同提升小微企业信用评估覆盖率。
• 监管科技：在不集中敏感数据的前提下进行行业风险监测和模型评估。

实施边界与治理要求

• 联邦学习不是合规豁免工具，仍需要明确数据授权、参与方责任、模型用途和退出机制。
• 需要记录模型版本、训练轮次、参与方、隐私预算、参数聚合规则和性能指标。
• 在高风险金融决策中，联邦模型输出应作为辅助证据，并与人工审核、规则系统和申诉机制结合。