联邦学习金融：菜不出厨房，各家银行合练「招牌风控模型」

可视化演示

演示横向纵向联邦信用评估多机构协作、Secure Aggregation安全聚合梯度隐私保护、FATE平台通信优化与异步聚合三大模式交互动画。

联邦学习概述：菜不出厨房，心得共享

话说老张、李姐和王叔在茶馆里商量到深夜，最后终于达成共识：配方绝对不能离开自己的灶台，但「调味心得」可以分享。老张本月试出一种新卤料配比，他就把「加了二钱桂皮，口感更醇厚」这句话写在纸条上递给别人；李姐试了七分火候的蒸鱼，也把经验讲出来。每个人参考别人的心得，在自己的厨房里继续改良——这就是联邦学习最朴素的形态。

落到技术上，联邦学习（Federated Learning）是一种分布式训练范式：多个参与方（银行）在不交换原始数据的前提下，通过交换模型参数或梯度，协作训练一个共享的模型。整个系统通常采用「客户端-服务器」架构：中央服务器负责协调与聚合，各客户端在本地用私有数据训练模型，再把更新内容传给服务器。

为什么要这样设计？因为金融数据极其敏感，客户违约记录、交易流水一旦出库就面临合规风险。传统集中式训练要把所有数据搬到一台服务器上，这在跨机构场景下几乎不可能。联邦学习把「建模」与「看数据」彻底解耦——模型可以看见数据的「统计影子」，但永远碰不到数据本身。

老张他们靠着这套「心得共享」的规矩，头一个月就发现各自的招牌菜评分都涨了一截。联邦学习的魅力正在于此：不是把秘方交出去，而是让每份秘方都因为别人的经验而变得更好。

横向联邦信用评估：同行切磋，共建招牌菜

老张的川菜馆和李姐的粤菜馆虽然菜系不同，但开业三年后发现一个事实：两家的菜单结构（前菜、主菜、汤品、甜品）、翻台流程、服务员培训体系几乎一模一样，差异只在客人身上——老张的客人多是上班族，李姐的客人多是家庭客。他们决定合力打磨一套通用的「后厨标准化流程」：流程模板完全相同，各自用自家客人的反馈去调整细节。这就是横向联邦。

横向联邦学习（Horizontal Federated Learning）适用于特征维度相同、样本不同的场景。就拿银行来说，A 银行和 B 银行对客户记录的都是「年龄、收入、负债率、征信查询次数」这些字段（特征一致），但服务的是不同地区、互不重叠的客户群体（样本不同）。这时数据就像一块蛋糕被水平切开，每方拿一层，合作训练同一个信用评分模型。

训练流程是反复的「本地训练 → 上传更新 → 服务器聚合 → 下发新参数」循环：每家银行在本地用自己的客户数据跑几个轮次的梯度下降，然后把更新后的模型参数加密上传；服务器将所有更新按数据量加权平均，得到新的全局模型再发回去。多轮迭代后，全局模型吸收各家数据的信息，又不会让任何一条原始记录离开本地。

一个真实的例子：某省十余家农商行各自客户量少、坏账样本稀缺，单独建模的评分卡一换数据集就失灵。它们组成横向联邦联盟，用一个全局评分模型替代各自的小模型，在不共享任何客户明细的前提下，把模型在验证集上的 AUC 提升了约 8%。老张和李姐后来也发现，两家合作打磨出的流程让各自的上菜速度都快了两分钟——同行不一定是冤家，共享流程、各炼数据，才是双赢。

纵向联邦信用评估：上下游互补，拼出完整画像

老张的川菜馆想搞清楚「什么顾客愿意点高价菜」，可他手里只有点菜记录；楼下超市有顾客的会员消费清单，菜市场有当日菜价波动。三家客群高度重叠，但掌握的维度完全不同——老张知道口味偏好，超市知道购买力，菜市场知道供应链成本。他们把三份信息拼在一起，才第一次看清顾客的全貌。这就是纵向联邦。

纵向联邦学习（Vertical Federated Learning）适用于样本重叠多、特征互补的场景。在金融风控中，银行拥有客户的信贷历史和违约标签，但缺少消费行为、社交关系等「软信息」；电商平台恰好相反，拥有丰富的消费行为数据却不知道客户是否违约。两部分特征拼起来，就是一份更完整的客户画像；单独任何一方，都只能看到盲人摸象般的一角。

纵向联邦的第一步是加密实体对齐：银行和电商在互不暴露各自客户名单的前提下，通过密码学协议找出共同客户集合。第二步是协同训练：由于样本对齐了，银行可以基于电商传来的中间结果计算梯度，再用同态加密保护交换的中间值，保证任何一方都推断不出对方的原始特征。

实践中，某股份制银行与头部电商平台合作：银行贡献违约标签，电商贡献消费频次与客单价特征。依靠纵向联邦，新生客群的信用评分覆盖度提升了 35%，而双方连一条原始记录都没有交给对方。老张后来感慨：「以前我只知道顾客爱吃什么，现在连他舍不舍得花钱都心里有数了——数据互补，才是真正的知己知彼。」

Secure Aggregation 隐私保护：匿名投票箱的秘密

美食联盟越做越大，新的担忧也来了：老张写下的「调味心得」虽然不含配方，但精明的王叔盯着心得看久了，会不会反推出老张的独家配料？同理，银行上传的模型梯度看似只是数字，恶意服务器却能通过梯度反演（Gradient Inversion）重构出原始训练数据。于是，联盟请来一位工匠打造了一口「匿名投票箱」——Secure Aggregation（安全聚合）。

这口投票箱的神奇之处在于：每家银行把梯度写在小纸条上，投进箱子的瞬间，纸条会被自动喷上一层「干扰墨水」。由于每张纸条的干扰墨水是成对配制的——你喷 A 号干扰剂，我就喷 A 号干扰剂的「解药」，两种墨水混合后恰好中和。最终箱子里所有纸条叠加后，干扰全部抵消，只留下所有梯度的纯净总和。服务器能看到的只有总和，永远不知道任何一家银行的具体梯度。

实现上，参与方两两协商生成成对掩码（mask）：每一对参与者 (i, j) 共享一个随机种子，生成相同的随机向量 s_{i,j}。参与者 i 在自己的梯度上加上所有「对 j 的掩码」，减掉所有「来自 j 的掩码」，这样全部参与方的掩码在求和时成对抵消。

这套机制还能应对「有人中途退出」的意外：通过 Shamir 秘密共享把掩码拆成碎片分发给其他参与方，即使某家银行断线掉线，众人也能合力重建它应有的掩码并完成抵消。老张看着这口投票箱感慨：「好东西！每人贡献一点真话，但谁也不知道真话是谁说的。」Secure Aggregation 正是联邦学习抵御「诚实但好奇」服务器窥探的关键防线。

FATE 平台实践：中央厨房里的标准化流水线

美食联盟的「心得共享」规矩虽然好，可各家纸条格式五花八门：老张写「多放一撮盐」，李姐写「加 0.5 克食盐」，王叔干脆画了张图。联盟急需一套统一的标准——锅具型号要统一，流程步骤要编号，记录要归档。有人建起了一座「中央厨房合作平台」，把一切标准化：这就是 FATE 平台。

FATE（Federated AI Technology Enabler）是微众银行开源的工业级联邦学习框架，也是金融领域落地最广的平台之一。它把联邦学习的各个部件做成了标准化的「厨具」：FederatedML 是算法库，内置横向联邦、纵向联邦、联邦迁移学习等多种算法；FATE-Flow 是总调度中心，负责任务的编排、排队与监控；FederatedServing 负责模型训练完成后的在线推理服务；Board 则是可视化看板，让工程师像看仪表盘一样监控训练状态。部署层面，EggRoll 提供底层存储与计算资源管理，KubeFATE 支持容器化一键部署。

FATE 的底层安全组件内置了多种密码学原语，其中最重要的就是加法同态加密：服务器可以在看不见明文的情况下，直接对密文做加法运算，得到的结果解密后恰好等于明文之和。这让纵向联邦中交换中间梯度变得安全。

有了中央厨房，联盟的合作效率大幅提升：新加入的餐厅按标准接口接入，三天就能跑通第一轮联合训练；后台看板实时显示各家参与方的贡献度和任务状态。FATE 让联邦学习从「手工作坊」走向「工业流水线」，标准化的力量，就是把一次成功的实验变成一百次可复制的实践。

金融落地展望：从试验灶台到全城招牌

美食联盟的试验在几家店里大获成功，消息传开，全城的餐厅都想加入。可在推广途中，问题也接踵而至：小面馆的客流记录太少，数据格式跟大餐厅对不齐；有店网络不稳定，每轮通信要等半天；还有人担心——联盟越做越大，信任怎么保证？这些也正是联邦学习金融落地面临的真实挑战。

从应用场景看，联邦学习在金融领域已经形成一张清晰的图谱。信贷风控是最成熟的场景：多家银行横向联邦联合建模，提升信用评分卡的效果；反欺诈紧随其后：不同机构共享「欺诈模式」而非「欺诈名单」，让电诈、团伙骗贷的识别更敏锐；反洗钱与精准营销也在快速落地。某保险集团与银行合作，用纵向联邦融合保单数据与资金流水数据，将高价值客户的识别准确率提升了 22%。

但挑战同样真实：金融各机构的数据分布高度异构（non-IID），A 银行的客户画像与 B 银行差异巨大，简单的加权平均会拖慢收敛；跨机构通信开销大，训练一轮可能要等数小时；此外，联邦学习的激励机制、参与方之间的信任与合规审计，都还是未完全解决的课题。从技术趋势看，联邦学习正与区块链结合形成「可信联邦」，让参数更新的贡献可记录、可审计；与差分隐私结合，在聚合层面再加一层噪声保护；未来还会与大型语言模型结合，探索「数据不出域」的行业大模型训练范式。

美食联盟的野心不止于此：他们打算把《城市美食秘籍》变成一部不断生长的「活菜谱」，每家店都是作者，也是受益者。联邦学习的未来同样如此——从单点试验到全行业基础设施，数据孤岛终将连成群岛，而每座岛上的宝藏，始终只属于岛主自己。

AI 应用场景

Python 演示

import numpy as np def sigmoid(z):    return 1.0 / (1.0 + np.exp(-z)) class FedClient:    def __init__(self, name, X, y, lr=0.1):        self.name = name        self.X = X        self.y = y        self.lr = lr        self.w = np.zeros(X.shape[1])     def local_train(self, epochs=5):        for _ in range(epochs):            pred = sigmoid(self.X.dot(self.w))            grad = self.X.T.dot(pred - self.y) / len(self.y)            self.w -= self.lr * grad        return self.w, len(self.y)     def accuracy(self, w):        preds = (self.X.dot(w) > 0).astype(int)        return (preds == self.y).mean() def fed_avg(global_w, updates):    total_n = sum(n for _, n in updates)    new_w = np.zeros_like(global_w)    for w, n in updates:        new_w += w * (n / total_n)    return new_w def main():    rng = np.random.RandomState(42)    n_features = 6    n_clients = 3    clients = []    for c in range(n_clients):        X = rng.randn(80, n_features) * 2.0        X[:, 0] += c        true_w = rng.randn(n_features)        y = (X.dot(true_w) + rng.randn(80) * 0.2 > 0).astype(int)        clients.append(FedClient(f"银行{c+1}", X, y))     global_w = np.zeros(n_features)    for rnd in range(15):        updates = []        for cli in clients:            cli.w = global_w.copy()            w, n = cli.local_train(epochs=4)            updates.append((w, n))        global_w = fed_avg(global_w, updates)        acc = np.mean([cli.accuracy(global_w) for cli in clients])        print(f"第{rnd+1:02d}轮| 全局模型平均准确率: {acc:.4f}") if __name__ == "__main__":    main()

1. class FedClient定义一个银行客户端，每个银行持有自己的特征矩阵 X 和标签 y，模型参数 w 初始化为零向量。
2. local_train(epochs=5)银行在本地用梯度下降迭代 5 轮，相当于「老张在自家厨房试做几次改良」，只更新自己的 w。
3. grad = self.X.T.dot(pred - self.y) / len(self.y)计算逻辑回归的梯度，这是本地训练的核心数学步骤。
4. return self.w, len(self.y)银行把「改良后的配方」和「样本量」交出去，原始数据 X、y 一步都没有离开本地。
5. fed_avg(global_w, updates)服务器做联邦平均：按各银行样本量占比加权聚合所有本地更新，得到新全局模型。
6. cli.w = global_w.copy()每轮开始前，各银行把服务器下发的全局参数复制为本地起点，体现「下发-训练-上传」循环。
7. np.mean([cli.accuracy(global_w) ...])用全局模型在各银行本地数据上测试平均准确率，可以看到随轮数上升而收敛。

常见误区

面试题