同盾探索隐私计算与知识图谱技术协同创新，赋能银行反洗钱

当前，反洗钱工作作为维护国家安全和金融安全的重要保障，对金融机构来说越发重要。在日常的反洗钱业务中，金融机构往往需要挖掘出客户之间的关联信息和推导资金轨迹关系，判断关联账户之间是否存在交易链路的闭环，但客户身份识别流程体系存在数据整合与应用能力不足、众多碎片化数据之间的关系知识尚未得到完全发掘等问题。对此，聚焦决策智能领域的同盾科技不断进行技术创新，以“基于知识联邦和图网络的推理方法、系统、设备及介质”这一技术专利，助力金融机构提升反洗钱工作水平。

同盾科技人工智能研究院算法专家Doris介绍，同盾的这一技术创新已获得国家知识产权局颁发的发明专利授权，其应用可以提升多个领域的决策效率。如在反洗钱业务中，同盾提出的解决方案就可以在保护数据隐私安全基础上，利用多方图网络数据完成协同建模，通过提升图数据的节点边关系结构，从而让金融机构能够分配更多的时间和资源来审查更高的风险警报，大幅降低了反洗钱的挖掘时间和成本投入，并且通过快速实时的风险提示，在确保审核质量的前提下，降低遗漏高风险行为的风险。

据了解，在同盾科技的这一技术专利中，隐私计算与知识图谱技术的协同是关键。隐私计算是指在保证数据提供方不泄露原始数据的前提下，对数据进行分析计算的一系列信息技术，保障数据在流通与融合过程中的“可用不可见”。知识图谱技术则是以结构化的形式描述客观世界中概念、实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。

在隐私计算领域，同盾已围绕自主研发的知识联邦理论框架构建了一整套技术产品体系， “云图-知识图谱” 作为同盾的核心软件产品之一，在金融、政务、互联网等领域风险管理、精准营销等多个场景得到广泛应用。而当隐私计算与知识图谱相结合，则能发挥更大的效用。

Doris表示，随着人工智能从感知阶段走向认知阶段，知识图谱通过使用各种图模型，从图特征数据以及关系结构中挖掘出有价值的信息，相比传统深度学习方法，图学习建模相对能利用更多的关系信息，从而得到更优的模型效果，同时更具有可解释性，已成为支撑机器实现认知智能的重要基石。

但是，目前知识图谱的应用大都是基于单一完整图谱的理想状态进行设计，然而在实际应用场景中，构成知识图谱的知识往往散落在不同的机构或个人手中形成一个个数据孤岛。如果仅基于自身数据构建来构建图谱，由于数据量原因，推理准确率存在瓶颈。同时，出于自身利益和数据合规性的考虑，各机构难以直接通过数据共享的形式，将数据集中起来形成完整的知识图谱，进而进行推理。

Doris介绍，在这种情形下，同盾知识联邦技术可以有效赋能‘知识图谱’，具体的方案如下：

基于知识联邦的知识推理方法

知识抽象表示：各个机构组织，在日常运营过程中会产生各种各样的知识，组合构建为知识图谱。通过图神经网络算法，可以把图节点特征及相关结构信息，抽象表示为低维向量。见上图左半部分；

知识联邦融合：各个参与方依据自身知识，经过知识编码，形成对相同实体的各自低维向量表示。第三方接收各参与方抽象知识，进行联邦融合，得到综合后的向量表示。第三方获取的抽象知识不包含敏感数据，也不可反推出各个参与方的图谱原貌。见上图右半部分。

知识联邦推理：根据任务不同，可以选择不同的推理方式。对于节点分类任务，得到综合后的向量表示，可直接激活函数得到最终的节点类别。

“同盾把各参与方连接起来形成知识联邦，协同进行知识推理，从而弥补现有隐私计算技术对于非结构化数据的处理能力的不足；同时，在训练与推理中，只传输抽象后的知识表示向量，保证各参与方数据安全及隐私”，Doris表示。经实验验证，知识联邦+知识图谱推理方法协同，分类准确率远超单节点准确率，接近集中化分类准确率。

举例来说，银行在贷款业务中，可以通过知识图谱判断申请人和他背后很多实体之间的关联关系；但如果再深挖实体之间的关联关系，就很可能遇到实体之间的“数据孤岛”，导致一些关键信息之间断开。这时，有了知识联邦技术的加持，就可以在不泄露实体隐私数据前提下，让银行更全面探查到更多的信息来审查潜在风险。

Doris总结表示，基于知识联邦的知识推理，通过知识表示学习，在不泄漏彼此数据的前提下，可实现多个参与方知识抽象，并完成联邦融合，共同构建机器的先验知识，用于像智能搜索、深度问答、智能决策等场景任务推理。目前，同盾科技已建立起“基于人工智能的决策智能平台”和“基于隐私计算的共享智能平台”两大平台，在金融风险、安全、政企数字化等领域付诸实践，帮助客户改善风控能力，优化决策效率，加速释放数字生产力发展价值，以技术创新助推数字经济的高质量发展。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。