纵向联邦学习需求建模场景
金融科技-小微企业信贷的风险管理
痛点
理想很丰满，现实很骨感 银行期望得到密集和全面的企业及其控制人相关信息 但实际上银行通常只有央行征信报告 所以对客户缺乏全面了解并且数据分布严重倾斜
基于联邦学习的解决方案
银行和票据公司合作 通过对近3/6个月的开票金额、央行征信分等标签属性进行联合建模，预测是否预期
保险科技-个性化定价
痛点
- 保险公司丰满的理想
- 具有精准个性化用户画像（几百维）
- 数据覆盖全面
- 保险公司骨干的现实
- 对客户缺乏全面了解
- 数据分布严重倾斜
基于纵向联邦进行保险个性化定价
通过对年龄、职业、年租车次等标签属性进行联邦学习建模，预测出险概率，决策是否出险
横向联邦学习需求建模场景
微众和合作行共建反洗钱模型，期望优化反洗钱模型
设定
- Y 表示是否存在洗钱行为
- 合作行和微众都有（X,Y）
- 双方不暴露自己的（X,Y）
传统建模方法问题
微众和合作行各自样本不够多
期望结果
- 保护隐私的条件下，建立联合模型
- 联合模型效果超过单边数据建模
横向联邦学习
特点
- 各个参与者拥有的数据特征相同（包括数据标签）
传统的以表格的方式查看数据库 横向的按行对数据分组 每行数据包含的数据特征相同
- 参与者不需要交换信息
- 有FedAvg算法
- 对深度学习（深度神经网络）有很好的支持
