基于联邦学习的隐私计算,是分布式机器学习中解决隐私保护的重要技术方法, 一方面, 在联合建模过程中如何能够把尽量多的数据利用起来, 另一方面, 监管和社会对隐私保护的要求也非常严格, 各种数据保护立法纷纷出台. 联邦学习提出以数据不动模型动,数据可用不可见的方式, 来解决这种两难的困境. 这个报告将全面介绍联邦学习的基本思想,核心技术及其应用领域, 并以金融领域的推荐场景为例,深入剖析联邦学习在营销、信贷、资产管理等金融服务中的实际应用。
[联邦学习, 推荐系统, 隐私保护]
杨强