联邦学习在金融领域的实践和落地困境

联邦学习在金融领域的实践和落地困境

近两年来,联邦学习发展迅速,其作为分布式的机器学习范式,能够有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,从技术上打破数据孤岛,实现 AI 协作。基于联邦学习的技术生态,特点如下:数据隔离,联邦学习的整套机制在合作过程中,数据不会传递到外部;无损,通过联邦学习分散建模的效果和把数据合在一起建模的效果对比,几乎是无损的;对等,合作过程中,合作双方是对等的,不存在一方主导另外一方;共同获益,无论数据源方,还是数据应用方,都能获取相应的价值,这些特点让该技术解决了金融领域的许多问题。InfoQ希望通过选题的方式对金融领域应用联邦学习的具体情况、解决的问题、改进优化方案等内容进行呈现,并推动该技术在这一领域的发展。

对话蚂蚁摩斯:如何利用多方安全计算破解机构数据合作难题?
对话蚂蚁摩斯:如何利用多方安全计算破解机构数据合作难题?

本文介绍了蚂蚁集团所使用的多方安全计算与联邦学习的差异性和技术难度。

联邦学习可能会带来数据价值挖掘的下一个爆发点
联邦学习可能会带来数据价值挖掘的下一个爆发点

近两年,联邦学习技术发展迅速。作为分布式的机器学习范式,联邦学习能够有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,从技术上打破数据孤岛。

破解AI数据困境:联邦学习在平安科技的大规模实践
破解 AI 数据困境:联邦学习在平安科技的大规模实践

平安科技在金融领域应用联邦学习的实践过程和遇到的挑战

对话腾讯大数据团队:自研联邦学习系统的技术实践和难点
对话腾讯大数据团队:自研联邦学习系统的技术实践和难点

现成的联邦学习工具和框架并非拿来即用的“灵丹妙药”

FATE发布1.3版本,首次增加联邦推荐算法
FATE 发布 1.3 版本,首次增加联邦推荐算法

FATE 发布了 2020 年的第一个版本更新 FATE v1.3

没有更多了
联邦学习在金融领域的实践和落地困境-InfoQ