11月26日，AICon「智能金融技術與業務結合」專場在北京舉辦。360數科隱私保護與安全計算研究院院長沈赟受邀參會分享，并結合金融科技場景，從用戶增長跟風險智能入手，就破解隱私性與可用性矛盾現場嘉賓展開了探討。
自《個人信息保護法》正式生效實施以來，這部圍繞個人信息保護的基礎性法律的影響正在逐步釋放。隨著政策的有效引導及各行業的自律探索，人們的隱私保護意識得到大幅提升。在此背景下，聯邦學習（Federated learning）得以在金融領域廣泛應用。
然而，主流的聯邦學習需要結合特定的隱私技術才能達到隱私保護的目的，且對服務器與傳輸量有著不低的要求。因此，就如何解決在多種復雜場景下，聯邦學習運算速度和隱私保護有機結果的問題，行業中尚沒有一般化的通用解決方案。
為應對以上問題，360數科首創研發了基于聯邦學習的層級聚合（hierarchical ensembles）風控模型體系，并通過三個層次的設計，凸顯了該體系的應用價值。
第一，數據保護。在層級聚合風控模式下，360數科建立了非常嚴格的數據管控規范，各類數據要素在學習過程中通過聯邦學習進行交互與融合，原始數據不出庫，最大限度保障了各方的數據安全。在此過程中，360數科利用自研的隱私保護機器學習平臺FastFL（Fast Federated Learning），支持多方在不傳遞原始明文數據的情況下，進行數據求交、特征處理、模型訓練、評估等全流程合作建模。
第二，聯邦層級疊套。正如同“同手同腳”游戲，通常以“兩人三足”為基本單位進行訓練，從而提升整體正確率和效率。為了降低在多方聯邦學習中的各方數據耦合性，避免在實際應用模型時，因一方數據無法獲取而導致模型完全失效的問題，360數科創新性地將多方聚合分解為多個雙方聚合，通過多次訓練將穩定的單個模型板塊堆疊起來，形成一個最終大模型。層級疊套設計克服了聯邦學習在實際執行時難以協調兩方以上數據要素進行同步聚合的操作困難。
第三，數據源截斷設計。作為科技鏈接屬性平臺，360數科需保證自身“橋梁”定位的穩定。在這一設計下，只需做少量調整，就能應對數據源的突發性變化，保障了整個風控體系的穩定性和可靠性。
沈赟表示：“金融與科技的融合，如何兼顧隱私性與可用性的關系，既是企業必須面對的道德底線，也是考驗企業技術是否過硬的先決條件。未來，360數科將繼續夯實數據流通的安全基礎，與行業共進，促進隱私計算行業健康發展。”
