随后，由于定义好的规则无法处理某些外界感知信息，专家开始发展基于统计模型的机器学习方法，以及基于神经网络的推理和建模方案。但是因为收集的训练数据有限和算力不足，神经网络没有得到大规模发展，相反，传统的基于统计的机器学习模型被广泛应用。而2010年以后，随着云计算、大数据计算和并行处理的算力不断发展，以及大量标签数据的存在，深度学习逐步走向前台，人类能够训练出更大、更复杂的基于神经网络的模型，其图像识别的准确率大幅提高，逐步超越人的能力。

如今，人工智能技术在各行各业中都展现出了优势，却面临两个重要挑战：一是在大多数行业中，数据以孤立的孤岛形式存在。另一个是加强数据隐私和安全性。

联邦学习技术的出现为解决数据隐私与数据共享的矛盾提供了有效方案。这是一种加密的分布式机器学习技术，可实现各个企业自有数据不出本地，通过加密机制下的参数交换方式，在不违反数据法规隐私的情况下，建立一个虚拟的共有模型，最终通过联合建模提升模型的效果。随着各界对金融消费者个人隐私保护的日益重视，数据和信息安全已经成为智能金融时代重要的信任基石。

百融云创人工智能金融实验室相关算法负责人介绍，运用联邦机器学习，一方面可以实现数据隔离，参与各方的数据不会泄露到外部，满足用户隐私保护和数据安全的需求；另一方面，通过联邦学习能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好。此外，重要的一点是各参与者地位对等，能够实现公平合作，实现打通"数据孤岛"到"共同富裕"的目标。

在应用场景层面，联邦学习主要有横向联邦学习、纵向联邦学习、联邦迁移学习三种。以纵向联邦学习来说，其特点是样本ID重叠较多、样本特征重叠较少，通过联邦学习可以实现双方获利，即无标签一方可以使用联邦模型预测，有标签一方提升模型准确度。比如银行和互联网公司的合作，银行有用户银行卡的收支行为与贷款信息，而电商企业掌握用户的商品浏览与购买历史信息，通过联邦学习双方可以在风控管理、信用评估、精准营销等领域实现合作。

据了解，百融云创机器学习能够触达金融行业内部的特征，同样是做机器学习平台，相比之下百融云创机器学习使整个框架更贴合金融属性，更适合于金融场景，助力金融AI应用普惠化。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

关键词：