联邦学习的概念及应用情况如何？

以下内容都是根据相关报告的部分摘录，如果有兴趣了解更多相关的内容，请下载原报告阅读。

联邦学习（Federated Learning，FL），是机器学习 的一种延伸，使用分布式的方式让模型在不同数据源进行 训练，实现共同建模，而数据又不会离开其生产环境。

联邦学习最初由 Google 在 2016 年提出，早期主要针对 安卓设备，通过利用用户的终端设备对本地数据进行本地模 型训练，再将训练过程中的模型参数在中央服务器中聚合成 一个全局模型，然后分发给终端设备使用。

在实践中，联邦学习通常与其他隐私计算技术相结合， 以提升整体技术方案的安全性，保护数据提供方的原始数据 以及训练过程中交互的中间参数的安全性。例如，联邦学习 可结合差分隐私技术，对中间交互的参数加入噪声进行混淆 加密，或使用同态加密或多方安全计算等技术使得中间参数 的交互与计算以密文形式执行，以避免恶意方基于被交互的中间参数对其他方数据原始信息进行推断，从而保护各参与 方的数据隐私。

在金融应用中，联邦学习被认为是打破行业数据孤岛的 有效工具，赋能金融机构间、金融机构与其他行业机构以安 全合规的方式进行数据共享与数据价值挖掘，实现数据的可 用不可见。具体到金融场景，联邦学习可应用于智能风控、 智能投顾、精准营销、企业信审、金融反欺诈、反洗钱等， 解决多个参与方数据进行建模活动的隐私保护和数据安全 问题。