联邦学习在智能风控中的主要作用是

联邦学习在智能风控中的主要作用体现在打破数据孤岛、保障数据隐私与合规、优化跨场景风控效能三方面。

打破数据孤岛，提升模型精度：联邦学习采用“数据不动模型动”的分布式训练方式，能实现银行、电商、支付机构等跨主体的数据协同建模。例如银行和电商平台合作，在不共享原始数据的情况下，将信贷记录与消费行为数据整合，可使风控模型违约预测准确率较单边模型有显著提升。
保障数据隐私与合规：它运用同态加密、安全多方计算等技术，保证训练过程中原始数据不出本地。像在纵向联邦学习里，机构仅传输加密后的模型参数，这符合《个人信息保护法》等法规要求，能有效降低数据泄露风险。
优化跨场景风控效能：联邦学习支持横向、纵向、迁移等多种联邦模式。横向是同业机构用户数据协同，纵向是异业特征互补，迁移是跨领域数据适配，能适配信贷风控、反欺诈、小微企业信用评估等多种场景。例如区域银行联盟可通过横向联邦训练跨区域风控模型，还能利用联邦迁移学习减少金融与医疗等领域的数据分布差异影响。

热门标签