案例名称

隐私计算安全融合政务数据赋能银行智能风控

(资料图)

案例简介

智能风控流程图

针对银行“断直连”之后，小微科创企业因缺乏数据支持导致风险评估难的问题，金智塔科技联合浙商银行应用隐私计算技术对接浙江省金融综合服务平台，安全合规地融合了市场监督管理局、法院、税务、环保等55个省级政府部门的政务数据，推出隐私计算安全融合政务数据项目，助力浙商银行提升对风险的智能精准识别能力和风险筛查能力。

创新技术/模式应用

1、创新设计基于两阶段的隐私保护CDR框架，在保护数据隐私前提下，有效缓解数据稀疏性。

跨域推荐（CDR）被广泛研究以缓解推荐系统中普遍存在的冷启动和数据稀疏问题。大多数现有的CDR模型都假设信息可以直接跨域传输，而忽略了隐私问题。为了解决这个问题，在该案例中，金智塔科技提出了一种基于两阶段的隐私保护CDR框架。该方法既可以保护数据源的隐私，又可以缓解数据稀疏性。实验结果表明，在两个基准数据集上，金智塔科技的方法具有普遍的有效性，该项成果发表于WWW’22（Differential Private Knowledge Transfer for Privacy-Preserving Cross-Domain Recommendation）。

2、设计新型全对称、去中心化的节点网络架构，增强平台在不同业务场景的灵活性和普适性。

针对本项目中节点横向、纵向交叉分布的特点，金智塔科技提出了一种全对称、去中心化的节点网络架构。在该架构中，所有节点通过专线或者互联网组成一个mesh网络，互联的一组节点可以组成一个group。组中的节点可以通过某个指定的节点调度，协同进行隐私保护机器学习。实践表明，相对于传统的集中式架构，金智塔科技的架构对不同的场景具有很强的灵活性、普适性。该项成果见专利《基于隐私保护的去中心化业务模型训练方法及装置》。

3、创新性提出了一种新型联邦学习范式，解决在多数据源数据量不均衡、分布不一致下，进行高效机器学习建模。

金智塔科技提出了一种将随机排列和秘密分享结合的隐私保护机器学习框架。这种方法比现有的加密方法更有效，可以显著减少计算开销。同时，该方法相比一般的联邦学习算法更加安全。实验结果表明，金智塔科技的方法不仅计算速度快了5倍，而且减少了80%的网络开销。该项成果发表于KBS’22（Towards Secure and Practical Machine Learning via Secret Sharing and Random Permutation）。

4、创新性设计联邦学习算法，通过压缩、量化、知识蒸馏等方式减少通信量，成倍提升算法效率。

常见的联邦算法大多是基于企业方提出的FedAVG范式实现。然而随着数据的复杂度与模型参数量的提升，模型采用这类算法训练时的数据通信量和迭代轮数都会显著提升，联邦学习中的算法效率成为了瓶颈。因此，我们亟需一种有效的方案以解决上述问题。该项成果见专利《基于噪音蒸馏的联邦学习系统及方法》。

项目效果评估

应用金智塔隐私计算平台，安全合规引入金综平台500万企业样本数据，包括300多维企业特征，如：企业法人信息、企业年报信息、风险信息等，并融合行内400多维特征的10万企业样本构建了企业准入模型、企业贷后预警模型，相较于以往基于本地数据建立的模型，其KS值、AUC值等指标总体提升了15%，风险预警识别率提高了21%，极大的提升了风险的智能精准识别能力和风险筛查能力。项目上线后，在降低浙商银行经营风险的同时，化解了部分小微科创企业贷款难、贷款贵的问题，实现了融资量增、面扩、价降、提质，有力推动了普惠金融的高质量发展。

本项目响应了国家关于数字经济、普惠金融的政策要求，通过平台实施落地，在降低银行风险的同时，化解了小微、科创企业的贷款难、贷款贵的问题，实现了融资量增、面扩、价降、提质，有力推动了普惠金融的高质量发展。

本项目是浙商银行首次应用隐私计算技术融入政务数据的创新实践，也是浙江省金融综合服务平台通过隐私计算技术将公共政务数据向金融机构赋能的首次应用落地，具有强烈的示范效应。

目前，金智塔科技已联合建设银行浙江分行、宁波银行、台州银行、浙江农商联合银行等十几家银行向浙江省金融综合服务平台申请利用隐私计算技术安全合规接入政务数据的需求，应用于包括营销、授信、风控在内的各种业务场景，为金融机构的数字化转型之路赋能。

项目牵头人

鲍力成 项目总监

项目团队成员

陈超超、巫锡斌