近日，WeLab匯立集團宣布由其創新研究中心團隊研發的“聯合建模方法、裝置、電子設備及存儲介質”獲國家知識產權局頒發發明專利證書。該專利提供了一種基于XGBoost算法的混合聯邦學習方法，旨在解決機構方在同時缺少數據樣本和特征維度的情況下，如何與其他機構聯合建模的問題。

背景

隨著大數據和人工智能技術的發展，傳統的金融業務模式正在被逐漸顛覆，以往的金融模型和算法在處理大規模、復雜的數據時面臨諸多挑戰，如數據多樣性和高維性帶來的處理難題，以及數據隱私和安全性的保護問題。這些問題使得單個機構難以獨立完成高質量的模型訓練，因此需要與其他機構聯合建模。

集團“聯合建模方法、裝置、電子設備及存儲介質”專利為金融行業提供了一種高效、安全的聯合建模方法。通過結合XGBoost算法、直方圖算法、同態加密、安全聚合和gRPC交互等多種技術，為各機構提供了一種更為靈活的聯邦學習方案，即混合聯邦學習，各機構可以在不共享原始數據的情況下，共同訓練一個高效的機器學習模型，確保了數據的安全性和模型的有效性，解決了數據樣本和特征維度不足的問題。該技術避免了人工資源浪費、機器資源浪費，同時顯著地減少了數據傳輸量，提高了計算效率以及數據處理的準確度和速度。

應用

應用一、銀行風控模型

風控模型是用于評估貸款申請風險至關重要的工具。然而，單個銀行往往難以獲取足夠的數據樣本和特征維度，導致模型的準確性和魯棒性不足。通過基于XGBoost的混合聯邦學習方案，多家銀行可以聯合訓練風控模型，共享數據特征，提高模型的預測能力，同時確保數據的安全性和隱私性。

應用二、信用評分系統

信用評分系統是金融機構評估個人或企業信用風險的重要手段。傳統的信用評分系統依賴于單一機構的數據，容易出現數據偏差和模型過擬合的問題。通過混合聯邦學習，多家金融機構可以聯合訓練信用評分模型，綜合考慮多方面的特征信息，提高評分的準確性和公平性。

應用三、金融欺詐檢測

傳統的欺詐檢測模型往往只能基于單一機構的數據進行訓練，難以捕捉到跨機構的欺詐行為。通過混合聯邦學習，多家金融機構可以聯合訓練欺詐檢測模型，共享異常行為的特征信息，提高模型的檢測能力和泛化能力。

小結

基于XGBoost的混合聯邦學習方案為金融行業提供了一種高效、安全的聯合建模方法。通過結合多種先進技術，該方案不僅解決了數據樣本和特征維度不足的問題，還確保了數據的安全性和隱私性。未來，WeLab匯立集團創新研究中心也將繼續相關技術的探索，讓該方案在金融行業中發揮更大的作用，推動金融行業的智能化和數字化轉型。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。