联邦学习技术金融应用 白皮书 北京金融科技产业联盟 2022年3月 版权声明 本报告版权属于北京金融科技产业联盟，并受法律保护。 转载、编摘或利用其他方式使用本报告文字或观点的，应注明 来源。违反上述声明者，将被追究相关法律责任。 编制委员会 主 编： 潘润红 编委会成员： 何 军 刘承岩 聂丽琴 编写组成员： 强 锋 魏博言 薛雨杉 李宏宇 黄翠婷 昌文婷 陈天健 李克鹏 姚 明 何 浩 王湾湾 李晶晶 李 博 卞 阳 方 竞 袁鹏程 赵 原 王 磊 王云河 陈 琨 靳 晨 范 涛 刘筠璨 吴博峰 赵 伟 郝 洁 彭宇翔 孟 丹 张明明 毛仁歆 郭 超 王 超 金银玉 单进勇 蔡超超 王 雪 李武璐 霍昱光 王健宗 黄章成 卢春曦 陈嘉俊 张敬之 曹旭涛 窦永金 许海洋 陈 浩 孙赞美 刘站奇 张 雄 薛瑞东 陈 剑 傅跃兵 傅 杰 葛明嵩 焦惠芸 倪裕芳 王铀之 王煜惠 王光中 杨 波 邱晓慧 胡师阳 张育涵 张 垚 牛博强 何东杰 周雍恺 王 琪 张晓武 胡祎波 陈浩栋 宋雨筱 张亚申 陈 鑫 蒋嘉琦 贾雪丽 樊昕晔 朱德立 唐剑飞 夏正勋 杨一帆 陈 凯 张骏雪 张健哲 曹 伟 郭 铸 王润元 徐安滢 陈 俊 郭 林 车春雷 赵亚敏 谢晨浩 郑晓娟 谢宗晓 黄雅琼 张子怡 张姗姗 高志民 王锐源 孙中伟 袁 晨 夏家骏 段 兵 林 凡 解浚源 主 审： 黄本涛 刘宝龙 统 稿： 郭 栋 魏博言 参编单位： 北京金融科技产业联盟秘书处 中国工商银行股份有限公司 成方金融信息技术服务有限公司 同盾科技有限公司 深圳市洞见智慧科技有限公司 上海富数科技有限公司 蚂蚁科技集团股份有限公司 深圳前海微众银行股份有限公司 蓝象智联（杭州）科技有限公司 北京数牍科技有限公司 建信金融科技有限责任公司 深圳壹账通智能科技有限公司 浙商银行股份有限公司 北京国家金融科技认证中心有限公司 北京百度网讯科技有限公司 腾讯云计算（北京）有限责任公司 华控清交信息科技（北京）有限公司 北京融数联智科技有限公司 招商银行股份有限公司 北京瑞莱智慧科技有限公司 交通银行股份有限公司 北京银联金卡科技有限公司 中国民生银行股份有限公司 中国银联股份有限公司 云从科技集团股份有限公司 北京冲量在线科技有限公司 度小满科技（北京）有限公司 光大科技有限公司 星环信息科技（上海）股份有限公司 深圳致星科技有限公司 中国银行股份有限公司 中国农业银行股份有限公司 中国建设银行股份有限公司 京东科技信息技术公司 中金金融认证中心有限公司 华为技术有限公司 网联清算有限公司 上海光之树科技有限公司 北京火山引擎科技有限公司 联邦学习技术 白皮书 目 录 一、 研究背景 ................................ ................................ ...................... 2 （一） 概述 ................................ ................................ ....................... 3 （二） 标准情况 ................................ ................................ ................ 6 二、 联邦类型 ................................ ................................ ...................... 8 （一） 数据视角 ................................ ................................ ................ 8 （二） 参与方视角 ................................ ................................ .......... 11 （三） 架构视角 ................................ ................................ .............. 15 （四） 建模视角 ................................ ................................ .............. 17 三、 联邦学习建模流程 ................................ ................................ ..... 20 （一） 联邦数据探查 ................................ ................................ ...... 20 （二） 联邦模型训练 ................................ ................................ ...... 23 （三） 联邦模型推理 ................................ ................................ ...... 23 四、 安全与审计 ................................ ................................ ................. 25 （一） 安全性分析 ................................ ................................ .......... 25 （二） 审计功能 ................................ ................................ .............. 34 五、 金融应用要求及案例 ................................ ................................ . 38 （一） 应用性能指标 ................................ ................................ ...... 38 （二） 应用案例 ................................ ................................ .............. 42 六、 展望与结论 ................................ ................................ ................. 59 附录: 联邦学习算法应用实现 ................................ ........................... 69 联邦学习技术金融应用 白皮书 1 名词术语 1. 特征（feature）：数据提供者提供用于训练或计算的指标。 2. 标签（label）：模型使用者提供的用于训练模型的目标数 据。 3. 联邦算法 （federated algorithm ）：联邦参与方使用的机 器学习算法，一般由非联邦的机器学习算法演化而来。 4. 联邦模型 （federated model）：联邦参与方通过与其它联 邦参与方共同训练生成的模型。 5. 联邦参与方 （federated learning participant ）：提供 联邦学习数据或作为建模发起者的组织或机构。联邦参与 方角色有时候亦可分为 Guest和Host。 Guest: 一般是任务的发起方，在纵向联邦的场景中，一般 为带有标签 Y的一方，除了提供数据样本和标签外，还会 负责任务的发起和主要调度等 。 Host: 也是数据提供方之一，纵向联邦场景中，一般是没 有标签的一方，仅提供数据和协同训练 推理 6. 联邦协调方 （federated learning coordinator ）：为联 邦参与方的活动提供协调、 辅助等支撑功能的组织或机构， 主要完成联邦过程中的辅助计算，不存储数据，有时候 也