代文 许文彬

在银行业领域，个人信用风险评估模型是重要的贷款审批工具，个人信用风险评估模型是银行利用自身数据与外部数据集中在同一台机器上训练出来的模型。而随着民众对个人隐私和数据安全的重视，法律法规要求的提高，为避免发生数据泄露，银行理论上不能将生产环境的数据脱离生产环境，原来的传统的线下联合建模方式需要将生产数据出库，存在数据泄露等不合规的风险。本文从数据安全的角度，提出基于联邦学习的个人信用风险评估模型构建的方式。研究表明，基于联邦学习的个人信用风险评估模型构建方式在训练得到同样效果的模型的前提下，能够更好地保护数据，避免数据泄露。

引 言

风险管理中心是银行业重要的核心部门，其主要职能是保障放贷资金的安全回笼，关系整个银行的资金安全，个人信用风险评估模型是风控管理中心重要的贷款审批工具。随着大数据技术和机器学习发展，可以用于构建个人信用风险评估模型的特征越来越多，训练模型的技术也越来越成熟。因此，个人信用风险评估模型的稳定性也就越来越强，效果越来越好。在审批贷款申请阶段，银行会优先使用个人信用风险评估模型进行审批。

数据泄露的问题时有发生，如2018年3月份Facebook上超5000万用户信息在用户不知情的情况下，被政治数据公司“剑桥分析”获取并利用，2018年11月汇丰银行（HSBC Bank）部分客户的个人和财务信息泄露等事件，相关法律法规对数据安全的要求也是越来越高。……