3. 联邦学习核心概念：横向联邦、纵向联邦、联邦迁移学习的基本原理、适用场景与差异，以及联邦学习中的角色（客户端、服务器、聚合器）
在金融行业中，数据孤岛与隐私合规是制约人工智能模型能力提升的两大核心瓶颈。联邦学习（Federated Learning, FL）作为一种“数据不动模型动”的分布式机器学习范式，为银行、保险、证券等机构在不直接交换原始数据的前提下联合建模提供了工程化路径。本章将系统拆解联邦学习的三种主流范式——横向联邦、纵向联邦与联邦迁移学习，并厘清客户端、服务器与聚合器在系统架构中的职责边界。理解这些基础概念，是后续设计金融风控、反欺诈、营销响应等联合建模方案的前提。
3.1 横向联邦学习（Horizontal Federated Learning）
核心原理
横向联邦适用于参与方拥有相同或高度重叠的特征空间，但用户样本群体不同的场景。其核心逻辑是：各参与方在本地利用自有样本训练模型，仅将模型梯度或参数加密上传至服务器，由聚合器执行联邦平均（FedAvg）或加权聚合，生成全局模型后再下发至各客户端。整个过程原始数据不出本地，满足《个人信息保护法》与金融监管对数据最小化的要求。
判断方法
- 特征对齐检查：各参与方的数据表字段是否基本一致（如银行间共享相同的客户属性、交易流水结构）。
- 样本重叠度：用户ID交集占比通常低于10%～20%，否则应考虑纵向联邦。
- 标签可用性：每个参与方本地都拥有完整的监督标签（如逾期标签、欺诈标签）。
案例拆解：三家城商行联合反欺诈模型
某省三家城商行（A、B、C）各自拥有约200万～500万零售客户，特征维度均为交易金额、频次、设备指纹、商户类别等约120维。由于地域客群差异，单行样本量不足以训练高精度反欺诈模型。三行采用横向联邦框架：
- 初始状态：单行模型AUC约0.72，欺诈召回率仅61%。
- 联邦建模：使用FATE框架，FedAvg聚合策略，每轮训练本地5个epoch，加密通信采用Paillier同态加密。
- 关键参数：参与客户端3个，聚合轮次50轮，学习率0.01，batch size 256。
- 结果对比：联合模型AUC提升至0.83，欺诈召回率提升至78%，且未发生任何原始数据泄露。
- 风险与代价：通信开销增加约30%，训练耗时从单机2小时延长至4.5小时；需额外部署加密模块与密钥管理服务。
3.2 纵向联邦学习（Vertical Federated Learning）
核心原理
纵向联邦适用于参与方用户样本高度重叠，但特征维度互补的场景。典型如银行与电商平台：银行拥有客户的信贷记录与收入信息，电商拥有消费行为与浏览偏好。由于双方特征空间不同，需要先进行实体对齐（Private Set Intersection, PSI），找出共同用户，再在加密状态下联合计算损失函数与梯度。纵向联邦通常需要引入第三方协作者（或依赖安全多方计算）来协调梯度交换，防止某一方通过梯度反推对方特征。
操作流程
| 步骤 | 操作内容 | 技术要点 |
|---|---|---|
| 1 | 实体对齐 | 基于RSA或ECDH的PSI协议，仅暴露交集ID |
| 2 | 特征拼接 | 双方在本地计算特征分箱或嵌入，不直接拼接原始表 |
| 3 | 加密梯度交换 | 使用同态加密或秘密共享交换中间结果 |
| 4 | 模型更新 | 有标签方（如银行）计算损失，无标签方（如电商）更新本地特征表示 |
案例拆解：银行与互联网平台联合信用评分
某股份制银行与头部电商平台合作，银行侧拥有用户还款历史、负债率等80维特征，电商侧拥有用户月均消费、客单价、退货率等60维特征。双方用户交集约1200万人。银行作为标签持有方（是否逾期），电商作为特征贡献方。采用纵向联邦逻辑回归模型：
- 初始现象：银行单独建模KS值0.31，坏客户识别不足。
- 联邦建模后：KS值提升至0.42，AUC从0.74提升至0.81。
- 关键输入：PSI对齐耗时约18分钟，加密训练每轮约6分钟，共30轮。
- 代价分析：通信数据量约为横向联邦的2.3倍，需额外部署PSI服务与加密计算节点。
3.3 联邦迁移学习（Federated Transfer Learning）
核心原理
联邦迁移学习解决的是参与方样本与特征均重叠较少的极端场景。例如，一家银行与一家保险公司，用户群体差异大，业务特征也完全不同。FTL的核心思想是利用迁移学习中的域适配技术，在联邦框架下学习一个公共特征表示空间，使得源域（数据丰富方）的知识可以迁移到目标域（数据稀缺方）。在金融领域，FTL常用于新业务冷启动，如某机构缺乏历史违约样本，借助另一机构在相似客群上的预训练模型进行微调。
适用场景与差异对比
| 维度 | 横向联邦 | 纵向联邦 | 联邦迁移学习 |
|---|---|---|---|
| 样本重叠 | 低 | 高 | 低 |
| 特征重叠 | 高 | 低 | 低 |
| 标签分布 | 各参与方均有标签 | 单方或少数方有标签 | 源域有标签，目标域少标签 |
| 典型金融场景 | 多银行联合风控 | 银行×电商联合营销 | 新市场信贷冷启动 |
| 通信开销 | 较低 | 较高 | 最高（需传输迁移参数） |
案例拆解：消费金融公司冷启动模型
某新成立的消费金融公司（目标域）仅有3个月历史数据，样本量5万，逾期样本仅800条。合作方为一家大型信用卡中心（源域），拥有500万用户、5年完整表现数据。双方采用联邦迁移学习：
- 源域预训练：信用卡中心在本地训练一个深度交叉网络（DCN），学习用户还款能力表征。
- 联邦迁移：通过联邦学习框架，将源域底层嵌入层参数加密传输至目标域，目标域冻结底层，仅微调顶层分类器。
- 结果：目标域模型AUC从0.61提升至0.73，坏账率预估准确率提升18%。
- 复盘：FTL并非万能，当源域与目标域客群差异过大时（如信用卡客群vs学生贷客群），迁移效果会显著衰减，需引入域对抗训练进行校正。
3.4 联邦学习中的角色：客户端、服务器与聚合器
角色定义与职责边界
- 客户端（Client）：数据持有方，负责本地训练、特征工程、加密上传。客户端必须保证数据不出本地，且具备足够的计算资源（GPU/CPU）与稳定的网络连接。
- 服务器（Server）：协调中心，负责任务下发、超时管理、模型版本控制。服务器不接触原始数据，但可能接触加密后的梯度，因此需要防止恶意服务器通过梯度反推隐私。
- 聚合器（Aggregator）：服务器内部的核心模块，执行具体的聚合算法（FedAvg、FedSGD、SecureAggregation）。聚合器需要处理客户端掉线、梯度裁剪、加权策略等问题。
聚合器关键机制
| 机制 | 说明 | 金融场景注意事项 |
|---|---|---|
| 安全聚合 | 使用秘密共享技术，使服务器只能看到聚合结果，无法看到单个客户端梯度 | 必须启用，防止银行A的梯度被银行B推断 |
| 异步聚合 | 允许不同客户端以不同节奏上传梯度 | 需设置最大延迟阈值，防止陈旧梯度影响收敛 |
| 加权策略 | 按样本量或数据质量加权 | 样本量差异过大时，需采用对数加权或截断加权 |
实战场景：某证券机构联邦学习平台角色部署
某证券公司与两家基金公司共建客户风险偏好模型。部署架构为：证券公司作为服务器与聚合器（因其IT能力最强），三家机构各部署一个客户端节点。实际运行中发现：
- 问题：基金公司A的网络不稳定，频繁掉线，导致聚合等待超时。
- 解决：聚合器配置异步聚合模式，设置最大等待时间90秒，并对迟到梯度进行学习率衰减补偿。
- 结果：训练效率提升40%，模型AUC稳定在0.79±0.01。