在數字化浪潮的時代背景下，數據要素的戰略性意義逐漸成為全球共識。“十四五”規劃明確提出“充分發揮數據要素作用，賦能數字經濟發展”，數據已經成為數字經濟時代不可或缺的生產要素，數據安全與隱私保護進一步上升至宏觀政策層面。

在人工智能領域，隱私保護技術“聯邦學習(Federated Learning)”作為一種分布式的機器學習新范式，具有“數據不動模型動，數據可用不可見”的核心特征，已成為推動人工智能產業應用深化、數據要素流通、數據價值釋放的關鍵技術。

微眾銀行是國內首家提出“聯邦學習”解決數據孤島與數據隱私保護難題的機構，其近期的聯邦學習技術創新成果，被國際人工智能頂級學術期刊和頂級學術會議收錄發表，并開源發布于FATE聯邦學習技術平臺，對聯邦學習產業實踐提供了前瞻性的技術指導。

微眾銀行聯合國內高校研究深化聯邦學習技術應用

此次微眾銀行與上海交通大學、中山大學等機構聯合撰寫的《聯邦學習中隱私與模型性能沒有免費午餐定理》、《FedCG: 聯邦條件對抗生成網絡》、《FedIPR：聯邦學習模型所屬權驗證》多篇論文被IJCAI 2022、TPAMI 2022、ACM TIST國際人工智能頂級學術期刊和頂級學術會議收錄發表。

論文從可信聯邦學習理論框架、性能效率提升、版權保護等多方面拓展了聯邦學習技術，相關研究成果將成為技術發展創新之路的燈塔，反哺產業應用，進一步推動聯邦學習技術應用深化，促進數據要素流通與數據價值釋放。

隨著行業應用的深化，可用性、效率等多維度被納入整體技術框架，“可信聯邦學習”(Trustworthy Federated Learning)新范式應運而生。作為一種增強型的聯邦學習，可信聯邦學習除了保證原始數據的隱私安全和模型的可證安全，還保證學習過程的高效率和模型的可用性，模型決策機制的可解釋性，模型的可溯源和審計監管。

論文《聯邦學習中隱私與模型性能沒有免費午餐定理》提出了隱私與模型性能的“No-free-lunch安全-收益恒定”定律，首次從信息論的角度分析揭示了聯邦學習的模型效用與隱私保護之間的內在約束關系，利用該定律可實現可信聯邦學習的安全、效用、效率三者的協調，在保證數據隱私保護的同時，也最大化模型效用和學習效率。有效運用該定律能夠量化分析隱私計算各種技術保護方案的優劣，進一步優化隱私保護算法設計，為設計可信聯邦學習算法提供有效的指導。

針對目前聯邦學習中同態加密、差分隱私等隱私保護方法可能帶來計算和通信開銷大、模型性能大幅下降的弊端，論文《FedCG: 聯邦條件對抗生成網絡》提出在橫向聯邦學習中將生成對抗網絡與分割學習相結合，有效保護了參與方的數據隱私，同時保障了各參與方模型性能的競爭力。《FedIPR：聯邦學習模型所屬權驗證》提出了名為“FedIPR”的首個聯邦學習模型版權驗證框架。在不犧牲模型可用性前提下，該框架提供了可靠的模型反盜版機制，保護了模型擁有者的所有權等合法權利和商業利益。

安全隱私技術蓬勃發展微眾銀行助推聯邦學習落地應用

由清華大學發布的《2022聯邦學習全球研究與應用趨勢報告》指出，未來聯邦學習研究趨勢將更多與算法模型和安全隱私技術相關。據統計，在聯邦學習領域，全球高被引論文領先的機構依次是谷歌、卡內基·梅隆大學、北京郵電大學及微眾銀行。從論文發布及高被引用論文數量、全球專利受理量及開源框架熱度等幾個方面來看，中國與美國正在引領全球聯邦學習發展。

作為全球領先的數字銀行，微眾銀行早在2019年，就將其自研的全球第一個聯邦學習工業級開源框架Federated AI Technology Enabler(FATE)捐贈給了Linux基金會，并持續豐富和補充聯邦學習開源產品版圖，擴大以 FATE 開源生態為核心的聯邦學習生態。

截至目前，FATE開源社區吸納了電信運營商、金融機構、大型互聯網與科技企業在內的19家成員單位，包括工商銀行、中國銀聯、微眾銀行、VMware、星云Clustar、中國電信、中國聯通、國電通、中國銀行、中銀金科、建信金科、光大科技、易方達基金、騰訊云、美團、醫渡云、第四范式、綠盟科技、亞信科技等。

同時，微眾銀行積極將前沿技術應用在自身金融業務實踐中，保障自身核心技術的自主可控和信息安全。通過不斷深化聯邦學習等先進技術與相關業務場景的深度融合，微眾銀行構建了以聯邦學習和遷移學習為技術核心，覆蓋營銷、運營、資管、風控、客服、KYC 等多場景全鏈路的 AI 產品矩陣，在提升風險管理、市場營銷、客戶服務等領域智能化水平方面取得了新成效。

關鍵詞：