近日，WeLab汇立集团宣布由其创新研究中心团队研发的“联合建模方法、装置、电子设备及存储介质”获国家知识产权局颁发发明专利证书。该专利提供了一种
基于XGBoost算法的混合联邦学习方法，旨在解决机构方在同时缺少数据样本和特征维度的情况下，如何与其他机构联合建模的问题。
背景
随着大数据和人工智能技术的发展，传统的金融业务模式正在被逐渐颠覆，以往的金融模型和算法在处理大规模、复杂的数据时面临诸多挑战，如数据多样性和高维性带来的处理难题，以及数据隐私和安全性的保护问题。这些问题使得单个机构难以独立完成高质量的模型训练，因此需要与其他机构联合建模。
集团“联合建模方法、装置、电子设备及存储介质”专利为金融行业提供了一种高效、安全的联合建模方法。通过结合XGBoost算法、直方图算法、同态加密、安全聚合和gRPC交互等多种技术，为各机构提供了一种更为灵活的联邦学习方案，即混合联邦学习，各机构可以在不共享原始数据的情况下，共同训练一个高效的机器学习模型，确保了数据的安全性和模型的有效性，解决了数据样本和特征维度不足的问题。该技术避免了人工资源浪费、机器资源浪费，同时显著地减少了数据传输量，提高了计算效率以及数据处理的准确度和速度。
应用
应用一、银行风控模型
风控模型是用于评估贷款申请风险至关重要的工具。然而，单个银行往往难以获取足够的数据样本和特征维度，导致模型的准确性和鲁棒性不足。通过基于XGBoost的混合联邦学习方案，多家银行可以联合训练风控模型，共享数据特征，提高模型的预测能力，同时确保数据的安全性和隐私性。
应用二、信用评分系统
信用评分系统是金融机构评估个人或企业信用风险的重要手段。传统的信用评分系统依赖于单一机构的数据，容易出现数据偏差和模型过拟合的问题。通过混合联邦学习，多家金融机构可以联合训练信用评分模型，综合考虑多方面的特征信息，提高评分的准确性和公平性。
应用三、金融欺诈检测
传统的欺诈检测模型往往只能基于单一机构的数据进行训练，难以捕捉到跨机构的欺诈行为。通过混合联邦学习，多家金融机构可以联合训练欺诈检测模型，共享异常行为的特征信息，提高模型的检测能力和泛化能力。
小结
基于XGBoost的混合联邦学习方案为金融行业提供了一种高效、安全的联合建模方法。通过结合多种先进技术，该方案不仅解决了数据样本和特征维度不足的问题，还确保了数据的安全性和隐私性。未来，WeLab汇立集团创新研究中心也将继续相关技术的探索，让该方案在金融行业中发挥更大的作用，推动金融行业的智能化和数字化转型。
