簡易檢索 / 詳目顯示
| 研究生： |
劉啟東 |
|---|---|
| 論文名稱： |
聯邦學習:在智能金融上的應用 |
| 指導教授： | 謝明華 |
| 口試委員: | 李宜熹 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 經營管理碩士學程(EMBA) Executive Master of Business Administration(EMBA) |
| 論文出版年： | 2021 |
| 畢業學年度： | 109 |
| 語文別： | 中文 |
| 論文頁數： | 46 |
| 中文關鍵詞： | 聯邦 、智能金融 |
| DOI URL： | http://doi.org/10.6814/NCCU202101271 |
| 相關次數： | 點閱：44 下載：3 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
本研究介紹了聯邦式學習的興起原因和目前的應用，從聯邦學習的概念和分類，解釋了其與傳統機器學習不同的地方。它打破了數據壁壘，使得客戶可以在本地進行訓練模型，而不會洩露資料的隱私。同時也討論了目前應用較為廣泛的聯邦式學習框架。通過個案的分析，討論了目前聯邦學習在金融領域的應用，通過聯邦技術計算保費，幫助小型銀行預測客戶的信用，進行金融犯罪行，再開放銀行的應用和未來聯邦式學習可以和區塊鏈技術相結合，從而能夠幫助聯邦式學習處理目前難以處理的難點。
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究方法 4
第二章 傳統機器學習 5
第一節 監督式學習 7
第二節 非監督式學習 10
第三章 聯邦式學習 13
第一節 聯邦式學習介紹 15
第二節 聯邦式學習的分類 17
第三節 聯邦式學習的框架介紹 20
第四節 聯邦式學習目前研究方向 22
第四章 聯邦式學習的在智能金融的應用 24
第一節 反金融犯罪領域的應用 24
第二節 在銀行信用風險評估的應用 28
第三節 聯邦式學習在保險業的應用 33
第四節 聯邦學習在開放銀行的應用 36
第五節 聯邦學習和區塊鏈的聯合應用 40
第五章 結論 44
參考文獻 45
中文部分：
1. 王春凱,馮鍵 (2020). "聯邦學習在保險行業的研究應用." 保險職業學院學報 第34 期: 13-17.
2. 周俊, et al. (2020). "聯邦學習安全与隱私保護研究綜述." 西華大學學報 (自然科學版) 39(4): 9-17.
3. 於建科 (2017). 反欺詐行業深度報告之一——金融反詐欺行業發展前景良好. 新三板-行業專題報告, 方正證券.
4. 邱鑫源, et al. (2021). "聯邦學習通信开销研究綜述." 计算机應用: 0-0.
5. 麥肯錫 (2019). 開放銀行的全球實踐與展望.
6. 微眾銀行人工智能部, et al. (2020). "聯邦學習白皮書 V2.0." from https://ai.webankcdn.net/scvm/html/1586314655296.html.
7. 譚樂之 (2019). "微眾銀行與瑞士再保險簽署合作備忘錄." from http://xw.sinoins.com/2019-05/22/content_292101.htm.
8. 蘇建明, et al. (2020). "聯邦學習在商業銀行反欺詐領域的應用." 中國金融電腦:39-42.
9. FedAI. "聯邦學習應用案例." from https://cn.fedai.org/cases.
10. 監督式學習與非監督式學習的差異、應用以及案例(2020)." from https://oosga.com/thinking/difference-between-supervised-learning-and-unsupervised-learning.
11. 何寶宏，覃敏.大數據須結束數據孤島[J].新世紀周刊，2013，(33):70-72.
英文部分：
1. Duan, M., et al. (2020). "Self-balancing federated learning with global imbalanced data in mobile systems." IEEE Transactions on Parallel and Distributed Systems 32(1): 59-71.
2. FinRegLab (2020). Federated Machine Learning in Anti-Financial Crime Processes, FinRegLab: 1-14.
3. Long, G., et al. (2020). Federated Learning for Open Banking. Federated Learning, Springer: 240-254.
4. Ryffel, T., et al. (2018). "A generic framework for privacy preserving deep learning." arXiv preprint arXiv:1811.04017.
5. Truex, S., et al. (2019). A hybrid approach to privacy-preserving federated learning. Proceedings of the 12th ACM Workshop on Artificial Intelligence and Security.
6. Yang, Q., et al. (2019). "Federated machine learning: Concept and applications." ACM Transactions on Intelligent Systems and Technology (TIST) 10(2): 1-19.
7. Wüst, K., & Gervais, A. (2018, June). Do you need a blockchain?. In 2018 Crypto Valley Conference on Blockchain Technology (CVCBT) (pp. 45-54). IEEE.
8. Gupta, S. S. (2017). Blockchain. IBM Onlone (http://www. IBM. COM).
