联邦学习为数据隐私保护创建了一种新的机器学习算法。

如今，数据已成为新产业和新业态的核心生产要素，数据使用的隐私性和可用性也引起了人们的广泛关注。

与其他领域相比，金融领域具有更严格的数据控制。目前，一种新的数据隐私保护联合学习的机器学习算法为金融技术中人工智能技术的应用提供了新的机制和平台，有效地打破了隐私保护和数据使用的困境。

目前，大型银行已开始部署，一些金融技术公司也已进入联邦学习应用。那么，在金融行业大规模实施联邦学习将面临哪些问题呢?怎么解决?

银行“扎堆”联邦学习

“目前，一些头部银行已开始将联邦学习的商业化。例如，开始招募供应商。随着未来领先银行的领导作用，在金融行业中大规模实施隐私计算技术的趋势非常明显。”4月18日，在中国计算机学会(CCF)主办、CCF YOCSEF上海学术委员会和普华永道协办的联邦学习技术论坛上，致星科技商务副总裁许振提到了这一点。

根据许振的说法，联邦学习在行业中的应用场景非常大，相当于一个数据淘宝。预计今年将启动更多与联邦学习相关的基础架构。

据交通银行金融技术创新研究所研究员谢谨在会上介绍，隐私计算是面向隐私信息全生命周期保护的计算理论和方法，具体是指在处理视频、音频、图像、图形、文字、数值、泛在网络行为信息流等信息时，对所涉及的隐私信息进行描述、度量、评价和融合应用等操作，形成一套符号化、公式化且具有量化评价标准的隐私计算理论、算法及应用技术，支持多系统融合的隐私信息保护。联邦学习是隐私计算技术的一种，是机器学习和人工智能面对更加严格的数据管理规定的解决方案。