《联邦学习原理与应用》既是关于联邦学习技术和实践方法的介绍，又是关于联邦学习在业界，特别是金融科技行业应用实践的案例展示。

第1章介绍联邦学习的发展背景和历程，以及金融业中数据共享的机遇和挑战。第2章~第5章介绍不同类型的机器学习方法在联邦学习模式下的实现，以及关键算法原理。第6章介绍联邦学习开源框架FATE的架构和部署，以及在金融控股集团内大数据平台上建立跨机构统一数据科学平台的实施方案。第7章从建模者的角度展示了典型建模流程的实战过程。第8章和第9章结合金融相关行业的实践，以多个应用案例和解决方案的形式，介绍联邦学习在营销运营和风险管理等不同业务方向上不同层次的应用实践。第10章从人工智能的不同方向介绍联邦学习应用扩展及前景。附录介绍了联邦学习框架中相关的密码学工具。

《联邦学习原理与应用》适合隐私保护计算研究者（特别是联邦学习技术的研究者）、大数据和人工智能方向的开发者及大数据相关的应用人员阅读参考。《联邦学习原理与应用》为希望使用大数据技术和从事数据分析挖掘的业界人员提供了新的思路和视角。

向小佳，光大科技有限公司副总经理。光大科技有限公司植根于金融科技领域，于2018年就开始探索数据的加密共享。在国内金控领域，他于2018年**个发起联邦学习应用研究，并将其在风控、营销方面落地，建设了自主可控的联邦学习平台。他曾任中国科学院副研究员和硕士生导师、哥伦比亚大学访问学者、华为架构师。他在云计算、大数据、机器学习领域具有丰富的学术与产业应用经验。他于2010年获得清华大学博士学位，曾参与多个“863”“973”项目，主持国家自然科学基金项目一项，发表期刊和会议论文20余篇。

李琨，光大科技有限公司追光实验室负责人，拥有国内外多个行业数据挖掘建模和算法创新领域的多年实践经验，现在致力于金控集团数据协同和数据挖掘方向的解决方案实现与算法创新。他于2011年获得北京大学计算数学博士学位，发表算法相关的期刊和会议论文10余篇。

王鹏，光大科技有限公司大数据研究团队负责人。他现在负责金控集团联邦学习生态系统的建设和技术创新，参与了多个隐私计算行业标准制定，是联邦学习开源项目FATE专家技术指导委员会成员。他拥有10余年的大数据、人工智能系统设计经验，并在金控集团应用领域中实现了技术创新，其创新成果获得了多项行业奖项。

郑方兰，光大科技有限公司追光实验室技术专家，在多个业务场景中有丰富的数据挖掘经验，现主要致力于开发算法模块解决实际业务问题和算法创新。他于2012年获得博士学位，在国际主流的学术会议和期刊上发表论文10余篇。

田江，工学博士，光大科技有限公司大数据部负责人，在大数据、人工智能领域拥有丰富的理论研究及实践经验，发表国内外期刊和会议论文30余篇，参与起草国家标准《数据管理能力成熟度评估模型》并受聘为评估专家，同时多次获得****银行信息科技课题研究奖项。

目录

第1章  /  联邦学习与金融科技应用介绍1

1.1  联邦学习的发展背景和历程1

1.2  金融数据价值挖掘的联邦学习实践8

第2章  /  联邦学习算法之建模准备13

2.1  联邦学习的分类13

2.2  样本对齐的实现方式16

2.2.1  基于哈希函数的普通对齐方式16

2.2.2  基于非对称加密算法的隐私保护对齐方式17

2.3  特征工程的联邦学习实现方式20

2.3.1  特征工程简介20

2.3.2  联邦特征工程23

第3章  /  联邦学习算法之模型实现25

3.1  线性模型的联邦学习实现方式25

3.1.1  横向联邦学习中的线性模型27

3.1.2  纵向联邦学习中的线性模型29

3.2  极端梯度提升树的联邦学习实现方式39

3.2.1  XGBoost算法介绍40

3.2.2  SecureBoost算法介绍42

3.3  深度学习类算法的联邦学习实现方式48

3.3.1  深度学习的基本概念48

3.3.2  常用的深度学习算法介绍49

3.3.3  联邦深度学习算法介绍52

第4章  /  基于联邦学习的推荐系统62

4.1  信息推荐与推荐系统62

4.2  矩阵分解和因子分解机的实现方式64

4.2.1  基于隐语义模型的推荐算法65

4.2.2  矩阵分解算法65

4.2.3  因子分解机模型67

4.3  联邦推荐系统算法69

4.3.1  联邦推荐算法的隐私保护69

4.3.2  联邦推荐系统的分类70

4.3.3  横向联邦推荐系统71

4.3.4  纵向联邦推荐系统76

第5章  /  联邦学习应用之数据要素价值87

5.1  联邦学习贡献度87

5.1.1  背景介绍87

5.1.2  基于缺失法的贡献度计算87

5.1.3  基于Shapley值的贡献度计算89

5.2  基于联邦学习的数据要素交易92

5.2.1  数据要素交易的背景与现状92

5.2.2  基于联邦学习的交易机制构建95

第6章  /  联邦学习平台搭建实践98

6.1  联邦学习开源框架介绍98

6.2  FATE架构与核心功能100

6.3  金融控股集团联邦学习平台简介106

6.4  FATE集群部署实践108

6.4.1  All-in-one方式部署FATE集群110

6.4.2  Docker-Compose方式部署FATE集群119

6.4.3  在Kubernetes上部署FATE集群126

6.4.4  FATE集群部署验证141

6.4.5  FATE集群配置管理及注意事项144

6.5  与异构平台对接152

6.5.1  与大数据平台对接152

6.5.2  与区块链平台对接156

6.5.3  多参与方自动统计任务160

第7章  /  联邦学习平台实践之建模实战165

7.1  横向联邦学习场景165

7.1.1  建模问题与环境准备165

7.1.2  横向联邦学习建模实践过程168

7.2  纵向联邦学习场景187

7.2.1  建模问题与环境准备187

7.2.2  纵向联邦学习建模实践过程190

第8章  /  跨机构联邦学习运营应用案例210

8.1  跨机构数据统计210

8.2  在交叉营销场景中的联邦学习实践215

8.2.1  联邦学习在交叉营销场景中的应用215

8.2.2  信用卡交叉营销的联邦学习案例216

8.3  联邦规则抽取算法及其在反欺诈与营销场景中的应用220

8.3.1  基于F-score的联邦集成树模型和其对应的业务背景220

8.3.2  损失函数、剪枝和自动化规则抽取222

8.3.3  纵向和横向Fed-FEARE227

8.3.4  横向Fed-FEARE应用于金融反欺诈229

8.3.5  纵向Fed-FEARE应用于精准营销232

第9章  /  跨机构联邦学习风控应用案例235

9.1  联邦学习下的评分卡建模实践235

9.1.1  背景需求介绍235

9.1.2  联邦学习框架下的评分卡建模236

9.1.3  联邦学习框架下的评分卡模型优化237

9.1.4  应用案例239

9.2  对企业客户评估的联邦学习和区块链联合解决方案243