本应用通过建设联邦反欺诈平台，运用多方数据学习、同态加密技术，解决行业间数据孤岛问题，生成更为精准的联合反欺诈模型，同时各参与联合建模的原始样本数据不出域，在充分保证数据安全的前提下，提升银行反欺诈工作准确度和效率。

本应用由中原银行根据场景需求进行二次开发形成联邦反欺诈平台，中原银行提供反欺诈样本数据经隐私计算后参与联合建模。

创新性说明：

1. 数据保护方面，基于同态加密、混淆电路等技术，相较于传统传输加密手段可以在不泄露原始信息的前提下，实现对数据及模型的加密，营造安全可信任的联合建模环境，提升金融服务的安全性。

2. 数据应用方面，使用多方数据学习隐私计算技术，在数据安全可控的情况下，基于多家银行数据进行联合建模，打破数据壁垒，相较于此前仅能基于银行自身数据训练模型提升了样本数量（特别是欺诈黑样本数量）。

3. 风控效率方面，相较于传统的规则预警，项目采用横向联邦学习算法对欺诈风险进行预测，有助于提升欺诈名单的精准度，降低人工核查成本。

4. 数据标准方面，此前各银行间样本数据维度不一致，通过探索银行同业机构间联合建模数据标准，助力于横向联邦学习模型的快速推广与落地。