基于联邦学习的联合反欺诈金融应用场景

人工智能技术在金融反欺诈的应用场景中迅速发展，并已取得显著成效，机器学习，知识图谱等多种技术被广泛应用，金融诈骗行为能够被有效识别。但在巨大的经济利益驱动下，金融诈骗手段层出不穷，传统基于单一企业的数据金融反欺诈模型逐渐难以应对不断升级的诈骗手段，无法进行有效防护和阻断，需要通过跨机构间的数据协作来构建更精准的金融反欺诈模型，然而由于数据安全、隐私保护等监管要求日趋严厉，加剧了机构间数据合作的难度，“数据孤岛”问题普遍存在，迫切需要通过联邦学习等隐私计算技术打通企业间的数据孤岛，以“数据可用不可见”的方式安全合规地构建跨行业数据共享的反欺诈模型，挖掘出更深层次的金融欺诈风险，提升金融反欺诈的效率与精准性。

借助面向数据隐私保护的联邦学习技术，可以在保证用户隐私信息、企业的数据安全、企业的数据所有权与控制权的前提下，安全地融合银行机构、电商、运营商、互联网、政务等多元数据，实现跨行业、跨机构的反欺诈体系建设。通过金融机构的用户属性、收支行为、信贷行为、信用历史、资产情况等金融行为特征，融合外部的消费行为特征、通信行为特征、支付行为、社交行为特征等，采用联邦机器学习算法构建更为精准的金融反欺诈业务场景的模型，通过跨行业、跨机构的多样性欺诈数据特征互补，提升金融行业的整体反欺诈能力和效率。

以国内某商业银行为例，借助某盾科技的联邦学习技术，引入外部数据源，联合银行已有欺诈样本和行内金融特征构建联合反欺诈模型。首先通过隐私集合求交技术(PSI)进行跨机构间的样本安全对齐，确保参与方直接除了交集样本无法获知或反推其他参与方的非交集部分样本，然后利用纵向联邦学习算法进行反欺诈模型的构建，并与现有欺诈系统进行对接，具体应用如下图所示， 银行联邦反欺诈方案示意图。

基于联邦学习的金融反欺诈应用实践结果表明，通过联邦学习算法构建的跨机构反欺诈模型，对比仅基于行内数据构建的模型KS 值、 AUC 等模型评估指标均提升了 30%以上。模型结果表明基于联邦学习模型能够对用户欺诈行为进行有效识别，能够有效提升商业银行的风险防控能力。联邦学习技术将深刻影响金融大数据及金融反欺诈的应用场景的效能，解决了多方数据协作的合规性和安全性问题，挖掘出更大的数据潜能，并避免了数据在多方间的跨企业流动，有效保护数据的所有权和控制权，实现数据价值的安全共享和共创。

关键词： 学习技术 数据安全