科创中国

行业领域

新一代信息技术产业,信息传输、软件和信息技术服务业

需求背景

随着社会数字化进程的持续发展，个人、企业及政府部门每天都会产生大量的数据。通过对这些数据进行联合分析，挖掘出了数据潜在的巨大价值，将数据作为战略资源推向了新高度。

然而，现实应用场景中，数据资源难以整合，数据价值难以充分挖掘。事实上，在许多情况下，要打破数据源之间的壁垒是非常困难的。与此同时，随着大众对数据安全和用户隐私的危害意识的提高，对数据隐私和安全的重视已经成为世界性的重大问题。越来越多、越来越严格的隐私条例不断被发布，那么如何在合规且不侵犯用户隐私权益的情况下，继续给用户提供优良的服务，逐渐成为一大难题。

针对大数据时代背景下数据可用性和数据保密性需求，隐私计算技术有效的解决了数据流通过程中的“可用不可见”问题，对于异构数据之间的数据孤岛问题提供了破局思路。其中，金融行业传统的用户画像计算场景中，往往单一金融机构无法形成客户群体的完整画像，广告、产品等难以精准投放，此时便需要多家企业共同参与用户画像的训练。因此，引入联邦学习机制，改变了传统的数据集中式机器学习，参与用户能够在数据不出域的情况下，通过梯度聚合完成机器学习模型的训练，从而求得一个聚合的用户画像。

需解决的主要技术难题

1.用户画像模型中心化数据收集的数据孤岛问题；

2.传统用户画像模型性能瓶颈问题；

期望实现的主要技术目标

a.引入纵向联邦学习改变传统的用户画像模型，解决数据孤岛问题，提高效率

b.利用差分隐私和PSI等加密方法保护模型隐私

处理进度