联邦学习在金控公司的应用挑战与合规思考
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
"该文件是关于2021年5月15日DataFunSummit智能风控技术峰会上的主题演讲,主要探讨了联邦学习在金控公司落地应用时面临的挑战和思考。演讲者向小佳,来自光大科技有限公司,分析了在金融监管、业务需求和技术实现三个方面的问题。" 联邦学习是一种分布式机器学习方法,它允许不同机构在不直接分享数据的情况下共同训练模型,旨在保护数据隐私和提升模型性能。在金控公司中,联邦学习有潜力优化智能风控系统,提高风险识别和管理能力。 1. 监管背景: - 金融监管要求金控集团加强个人信息特别是金融信息的保护,确保数据安全。2020年的《金融控股公司监督管理试行办法》鼓励资源协同和共享,但对内部客户信息共享的具体政策尚未明确。 - 数据共享需遵循一系列法律法规,如《民法总则》、《网络安全法》、《个人信息安全规范》等,以及针对金融信息保护的多项规定,强调个人信息和数据的安全。 2. 法规上不能: - 虽然没有直接禁止客户信息与数据共享,但涉及个人信息安全保护的法规众多,如《个人金融信息保护试行办法》、《个人金融信息保护技术规范》等,要求严格保护个人隐私。 - 国家秘密和商业秘密的保护也受到《保守国家秘密法》和《合同法》等法律的约束,而《网络安全法》和《信息安全等级保护管理办法》则规定了网络安全保护的要求。 3. 业务上不愿: - 金控公司可能因担心数据泄露、侵犯客户隐私、违反反垄断法或触犯公司面纱原则而对数据共享持谨慎态度。例如,《反垄断法》和《关于平台经济领域的反垄断指南》可能会限制过度的数据集中。 - 证券基金经营机构的信息技术管理办法也明确规定,不得允许或配合他人截取、留存客户信息,不得向他人提供客户信息,强化了数据保护的业务要求。 4. 技术上不易: - 联邦学习虽然提供了一种可能的解决方案,但在实际操作中,需要克服数据孤岛、模型训练效率、跨机构协作的复杂性等问题。技术实施上需要解决模型的准确性和效率,同时满足隐私保护的需求。 联邦学习在金控公司的应用面临多重挑战,包括法规的模糊地带、业务的保守态度和复杂的技术实施。为了成功落地,金控公司需要在遵守法律法规的同时,探索创新的数据合作方式,确保数据安全和隐私保护,以实现更高效的风险管理和业务发展。
剩余21页未读,继续阅读
- 粉丝: 12w+
- 资源: 9195
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- WebLogic集群配置与管理实战指南
- AIX5.3上安装Weblogic 9.2详细步骤
- 面向对象编程模拟试题详解与解析
- Flex+FMS2.0中文教程:开发流媒体应用的实践指南
- PID调节深入解析:从入门到精通
- 数字水印技术:保护版权的新防线
- 8位数码管显示24小时制数字电子钟程序设计
- Mhdd免费版详细使用教程:硬盘检测与坏道屏蔽
- 操作系统期末复习指南:进程、线程与系统调用详解
- Cognos8性能优化指南:软件参数与报表设计调优
- Cognos8开发入门:从Transformer到ReportStudio
- Cisco 6509交换机配置全面指南
- C#入门:XML基础教程与实例解析
- Matlab振动分析详解:从单自由度到6自由度模型
- Eclipse JDT中的ASTParser详解与核心类介绍
- Java程序员必备资源网站大全