联邦学习在金融风控中的隐私保护机制

联邦学习是一种分布式机器学习技术，其核心目标是在不直接共享原始数据的前提下，协同多个参与方（如银行、金融机构）共同训练模型。在金融风控中，联邦学习通过以下机制保护隐私：

1. 本地训练与模型更新
   每个参与方（例如银行）在本地使用自己的数据训练模型，生成模型参数（如梯度或权重），而非上传原始数据。这确保了敏感数据（如用户交易记录）始终保留在本地。

2. 安全聚合
   参与方将本地训练的模型参数加密后上传至中央服务器。服务器通过安全聚合算法（如基于同态加密或安全多方计算）对参数进行聚合，生成全局模型。此过程中，服务器无法解密单个参与方的参数，仅能获得聚合后的结果。

3. 差分隐私注入
   为防止通过模型参数反推原始数据，参与方在上传参数前加入噪声（如高斯噪声或拉普拉斯噪声），满足差分隐私要求。噪声的强度通过隐私预算（ε）控制，平衡隐私保护与模型精度。

4. 模型分发与迭代
   服务器将聚合后的全局模型分发给各参与方，参与方用本地数据进一步微调模型。多次迭代后，模型逐渐收敛，最终形成高性能的全局风控模型。

举例说明：
假设银行A和银行B需联合训练反欺诈模型，但无法共享用户数据。双方各自用本地数据训练模型，仅上传模型权重。服务器聚合权重后，返回新模型给双方。过程中，数据不离开本地，且参数经过加密和加噪，有效防止隐私泄露。