什么是联邦学习
联邦学习（Federated Learning，FELE）是一种打破数据孤岛、释放 AI 应用潜能的分布式机器学习技术，能够让联邦学习各参与方在不披露底层数据和底层数据加密（混淆）形态的前提下，通过交换加密的 机器学习 中间结果，实现联合建模。联邦学习兼顾 AI 应用与隐私保护，开放合作，协同性高，充分释放大数据生产力，广泛适用于金融、消费互联网等行业的业务创新场景。
联邦学习主要包括以下功能：
模型训练服务：联邦学习各参与方在合法合规前提下，共同完成总体模型训练，且训练出的模型最终能达到汇集多方数据进行 联合建模 的效果。
模型调用服务：将联邦学习框架下训练的模型接入生产环境，通过 API 接口提供模型调用服务，以及模型调用过程中的运行效果监测、模型迭代升级等运维服务。
应用场景
银行业
银行风控场景，例如银行零售信贷、信用卡等个人金融业务的贷前审批和贷中风控场景。
消费金融行业和持牌机构
消费金融公司及持牌互联网金融平台，个人信贷业务的贷前审批和贷中风控场景。
消费互联网行业
以智能终端（如 Android 手机、平板、IoT 设备）为计算节点的，保护用户隐私信息为目的的各种场景。
其他行业
精准营销场景，通过联合建模进行客群画像分析和精准投放。
隐私保护
联邦学习可以在保护参与方隐私安全的前提下，进行模型训练，可以更好的解决隐私保护问题。
腾讯大数据分析能力
联邦学习拥有强大的大数据分析能力，腾讯安全服务覆盖99%用户，为联邦学习的行业应用奠定了坚实基础。
高效率低成本
联邦学习接入过程无需开发人员出差驻场，使用 docker 镜像，远程操作，高效便捷，3周内可正式投产。
联合建模增益
在联邦学习框架下训练的联合模型效果，相对传统建模提升15%以上。
