场景应用 | 工商银行反欺诈风险识别案例
本期很荣幸为大家带来一篇工商银行的精彩投稿。文章从背景、建模过程、落地场景、实施方案及产业价值各方面，详细介绍了隐私计算技术在金融行业反欺诈场景的应用案例。该案例对金融行业跨企业联防联控的生态体系建设、以及隐私计算在金融场景的加速落地起到了良好的示范和推动作用。
工商银行是FATE开源社区TSC Board成员和首批成员单位，本文为工商银行软件开发中心提供。感谢工商银行软件开发中心对FATE社区的支持，以下是文章详细内容~
✦
✦
电信诈骗是当前社会关注的热点问题，近年来，国家为打击治理电信诈骗，出台各项政策和法规，近期随着《中华人民共和国反电信网络诈骗法》表决通过，更加彰显国家对守护好人民钱袋子安全的决心。在金融业银行前期已纷纷建立了企业级的反欺诈体系，在机构内数据统一共享的基础上实现覆盖业务前、中、后各环节的智能反欺诈防控。然而仅使用自身数据，仍然存在数据不完整、不全面、不及时的问题。隐私计算技术，为数据要素的有效流通提供了必要手段，正在为金融行业的反欺诈构筑新的模式，即依托隐私计算技术，在金融行业内部、金融行业与其他行业有望形成“联盟式”欺诈防控合作体系，助力金融反欺诈效果的进一步提升。工商银行较早启动隐私计算平台建设，其中通过对FATE开源框架的二次开发，在反欺诈业务领域取得一定成效。
· 案例背景 ·
本项目以反欺诈风险识别场景为目标，应用联邦学习技术，在我行诈骗风险特征基础上，引入运营商层面通信类特征，最终在双方数据互不出库的基础上建立联邦学习模型。该案例旨在提升行内反欺诈模型效果，更早、更准确地抓出可疑客户，为客户提供安全的金融服务。
· 案例介绍 ·
本次联邦学习建模，工行侧要提供样本标签以及近百个样本特征，运营商侧提供超50个通信类数据特征。
图1 反欺诈风险客户筛选图示
本项目采用基于lightgbm的纵向SecureBoost，使用双方特征和工行标签共同训练模型，用于筛选出高风险欺诈客户名单。在整个训练过程中，各自的数据互不交换，避免数据泄露；建模完成后模型分布式存储，避免模型泄露。
筛选TOP100高风险欺诈客户的准确率较仅用行内数据特征提升38%以上，TOP500查准率同比提升35%以上。
二、落地场景和实施方案
图2 反欺诈系统欺诈检测工作流程
· 产业价值 ·
图3 反欺诈风险识别技术的产业价值
【社区征稿】
FATE（Federated AI Technology Enabler）开源社区是全球首个隐私计算联邦学习开源社区，拥有全球首个工业级安全联邦学习框架。同时FATE开源社区以“开源开放，共力创新”为愿景，汇聚更多开发者、行业专家、创新力量，共同推动联邦学习技术发展及应用实践。基于此，目前社区向广大行业从业者征稿，希望给行业从业者打造一个技术交流的平台，欢迎大家踊跃投稿（公众号后台留言或联系小助手）
【github直达】：阅读原文或复制链接https://github.com/FederatedAI/FATE即可，点击star，方便下次使用。