通过联邦学习实现隐私增强的协作信息共享——保险行业案例
机器学习
2024-02-26 v1 密码学与安全
风险管理
摘要
本报告展示了利用联邦学习 (Federated Learning, FL) 在不要求各公司之间共享数据集的前提下，跨多个保险行业数据集学习单个模型的优势（以改进索赔损失建模为例）。联邦学习的应用解决了两个最迫切的关注问题：数据量有限和数据种类有限，这些问题是由隐私顾虑、索赔事件罕见、缺乏有信息的评级因素等引起的。在每次联邦学习轮次中，合作方使用其本地私有数据计算模型改进，并将这些见解组合以更新全局模型。这种见解的聚合允许对预测索赔损失的效果提升，相较于每个合作方单独训练的模型表现更佳。关键在于，这种方法无需原始数据离开各数据所有者各自的计算基础设施，即可实现机器学习协作。此外，本实验使用的开源框架 OpenFL 设计上可运行于保密计算环境中，或针对通过共享模型更新泄露信息的额外算法保护。如此一来，联邦学习被实现为一种隐私增强的协作学习技术，旨在解决传统机器学习解决方案中数据敏感性和隐私性带来的挑战。本文所采用的联邦学习方法可扩展至包括欺诈检测、灾害建模等具有类似需求的领域，即将数据隐私纳入机器学习协作中。我们的框架和实证结果为未来保险公司、监管机构、学术研究人员和 InsurTech 专家之间的合作奠定了基础。
引用
@article{arxiv.2402.14983,
title = {Privacy-Enhancing Collaborative Information Sharing through Federated Learning -- A Case of the Insurance Industry},
author = {Panyi Dong and Zhiyu Quan and Brandon Edwards and Shih-han Wang and Runhuan Feng and Tianyang Wang and Patrick Foley and Prashant Shah},
journal= {arXiv preprint arXiv:2402.14983},
year = {2024}
}