做好贷前、贷中、贷后风险管理，是银行和金融机构关心的核心命题。随着许多业务由线下转移至线上，如何从线上海量用户中筛选出合适的客户进行放贷让银行倍感压力。

　　在接受采访时，腾讯安全副总裁李旭阳表示，联邦学习的出现成为了解决该难题的“利器”，以数据可用不可见的方式，在数据不出本地的情况下，让不同利益方数据实现串联，打破数据孤岛，为银行和金融机构提供更科学的风险管理方式。

　　“联邦学习”由谷歌科学家H.Brendan McMahan最早在2016年提出，又名“联邦机器学习”，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模，降低了传统中心化机器学习带来的隐私泄露风险和因数据泄露带来的相应成本。

　　据了解，联邦学习是基于数据隐私保护的安全计算框架，是一系列技术实现的统称，为机器学习、深度学习、迁移学习算法提供安全计算支持。安全底层支持同态加密、秘密共享、哈希散列等多方安全计算机制，算法层支持多方安全计算模式下的逻辑回归、Boosting、联邦迁移学习等。

　　假设有两个不同的企业各自拥有不同数据，按照欧洲 GDPR用户隐私准则不能粗暴地将双方数据加以合并。联邦学习可以做到各个企业的自有数据不出本地，然后通过联邦系统进行在加密机制下的参数交换，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型。这个虚拟模型就好像能达到数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移动，也不泄露隐私和影响数据合规。这样，建好的模型在各自的区域仅为本地的目标服务。

　　李旭阳称，在线上从海量用户中低成本筛选客户，需要应用大数据和AI算法。腾讯安全利用其多年的互联网防诈骗技术的积累，为银行风控体系做多因子，使得银行在其原有风控体系上进一步提升风控水平。

　　腾讯防诈骗技术积累的突破可追溯到2015年，腾讯安全反诈骗实验室和中国联通达成合作并在深圳开展试点。通过网址云、号码云、APK云检测能力等技术，实验室将其在号码云上多年的经验移植到打击电信诈骗上，智能反电话诈骗盒子“鹰眼”在那时诞生。

　　李旭阳介绍，诈骗行为有一些固定的行为模式，反映到数据上来，就能提炼出特征模型。如在诈骗侧，犯罪分子通常聚集在一个窝点、打电话呈批量特性，利用这些地理位置、通话频率等数据上的特征，根据话单序列，通过概率事件的计算方法，腾讯反诈骗实验室可以对诈骗团伙进行识别。

　　据了解，合作期间，深圳联通信息诈骗中涉案金额由最初的26%下降到6%，最为严重的冒充公检法诈骗案中，诈骗案件金额降低了80%。

　　反诈骗技术应用于金融领域，并不是简单的平移，考虑的因素更多，面临场景复杂度也更高。李旭阳坦言，“利用知识图谱加上大量的机器学习、AI方法来识别金融诈骗，以前偏统计学的小概率事件还能做，但现在数据量太大，数据动辄上千维，有用的几十维，完全用人工传统的方法已经做不到，现在基本都用AI的方式来处理大数据帮银行做风控。”

　　在反诈骗领域，通过网络、QQ、微信、电话、短信等软件信息称为信息流。假设诈骗成功，后续银行转帐等还涉及资金流、人员流和设备流。“而腾讯、其他互联网企业，三大运营商，银行等，每一家的数据因为受政策法律的限制，都不能共享。如果这几家数据都打通，相对来说做反诈会更容易。”

　　联邦学习是一项公开的底层技术，许多互联网企业都有所布局。李旭阳表示，未来联邦学习还将应用到普惠金融的推行中。

　　8月6日，央行公布了北京金融科技创新监管第二批11个试点名单，腾讯安全灵鲲与浦发银行、北京金控共同合作的“多方数据学习‘政融通’在线融资项目”成功入选，成为全国首个基于联邦学习的普惠金融试点应用。

　　李旭阳透露，在政府普惠金融领域，腾讯安全后续或将与顺德、宜昌、湖州等地方合作。在反诈领域，利用其原有黑灰知识图谱，未来也会跟其他企业合作。“比如珍爱网、快手等，通过联邦学习去发现诈骗。”
 

（第一财经）