近日，京东数字科技集团（简称：京东数科）正式推出自主研发的联邦学习平台——Fedlearn，旨在更好地挖掘数据价值，实现多方共赢的机器学习，在满足数据隐私安全和监管要求的前提下，让人工智能系统更加高效准确地共同使用各自数据的机器学习框架。

Fedlearn平台该平台具有三大特点。第一，在数据和模型隐私方面，不同参与方之间没有直接交换本地数据和模型参数，而是交换更新参数所需的中间数值。同时，为了避免从这些中间数值中恢复数据信息，采用增加扰动对这些数值进行保护，确保了数据和模型的隐私安全。其次，在通讯方面，引入中心化数据交换的概念，使得数据的交换独立于参与方。最后，采用异步计算框架，极大地提高了模型训练的速度。

融合了密码学、机器学习、区块链等联邦学习算法的Fedlearn平台，搭建出一套安全、智能、高效的链接平台，在各机构数据不用向外传输的前提下，通过联合多方机构数据，实现共同构建模型等多方数据联合使用场景，获得加成效应。相较于传统的数据共享交换方法，Fedlearn平台创新性地提出了并行加密算法、异步计算框架、创新联邦学习等技术架构，在保证数据安全的前提下提升学习效率，并逐步达到融合亿级规模数据的能力。

在京东数科开发Fedlearn平台的过程中，实现了“基于核的非线性联邦学习算法”。在安全性上，这一方法不传输原始样本及梯度信息，充分保护数据隐私；在快速性方面，这一方法使用首创的双随机梯度下降，大大提高计算速度，充分利用计算资源，通过增加扰动提高数据的安全保护。这一技术创新已经形成了论文《解决多方垂直联邦学习的安全核学习算法》（Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data）。

京东数科风险管理中心智能模型部负责人彭南博表示，“在京东数科风控‘联邦模盒’产品业务实践中，着实取得较于传统联合建模更优的效果”。究其原因，一方面，联邦学习理论上是能够获得最优解的，即通过梯度下降迭代过程，可以实现联邦间的特征组合和交叉建模，从而解决如“异或”这样的非线性问题；另一方面，由于能够保护数据隐私安全，因此无需限制建模样本的数量，使联邦学习可以使用更多数据建模，基于大数据更有效发现数据规律，进而提升模型效果。

目前京东数科金条、白条业务模型已经全面实现了传统建模向联邦建模的升级，联邦模式下模型的风险识别能力和流量转化率均得到了提升。除了在风控方面的应用，AI+智能城市领域，京东数科自研的联邦学习平台——Fedlearn平台也有广泛应用。

除此之外，京东数科依托在金融服务、数字营销等领域积累的丰富实践经验，形成了多场景的解决方案，通过联邦学习可以实现多场景的解决方案升级，结合各个客户的自身情况，提供定制化程度更高的服务。目前，已实现多个不同类型的合作项目落地。

从底层代码到算法再到平台搭建，京东数科始终坚持自主研究创新，一路稳扎稳打。“我们希望依托数科强大的AI技术背景，通过Fedlearn平台的科技能力输出助力用户和产业实现‘联结’，为各种规模企业实现赋能和增长，这也是我们作为联邦学习应用落地领军者的使命”，薄列峰表示。