摘要
在数字经济繁荣发展的时代,数据流通是数据要素价值充分释放的关键环节,但侵犯个人隐私和数据安全等难题依然阻碍着数据的有序流通。联邦学习技术作为一种新兴的隐私安全计算方案,一定程度上解决了数据流通瓶颈问题,因此受到广泛关注。该技术本质上是一种去中心化的分布式机器学习技术或学习模型意图打破传统机器学习场景下数据孤岛的困境,在保证个人数据安全与合规的基础上开展协同建模,以实现人工智能模型的迭代更新。本文介绍了联邦学习技术的定义,结合该技术在金融领域的运用场景,对联邦学习技术中若干关键问题进行了思考,提出金融机构防范化解该技术风险的法律合规建议。
出处
《现代商业银行导刊》
2023年第7期40-45,共6页
Modern Commercial Bank Herald
