原标题：砍头息“穿上花马甲”，网贷“变形记”怎么破？ 网络上动动手指，验证一下身份，就能轻松借到钱……相对传统借贷，网络借贷因审核周期短、放款流程简单而受到借款者青睐。随着网贷平台整治不断深入，该行业风险持续得到缓释。但记者调查发现，仍有网贷平台玩起了巧立名目的“变形记”，对借款者“雁过拔毛”，亟须引起警惕。 雁过拔毛、巧立名目，借款人防不胜防 “一共只借1500元的钱，却花了720元买会员，利息还得另算，太坑了！”来自江苏无锡的周女士1月份在同程旅行App上借了1500元，借款时系统弹出一个“乐活会员”开通界面，费用一栏写着“60元月/年卡”。 “必须开会员才能借钱，当时以为会员总值60元，没想到是个每月付60元的年卡，最终借了3次钱，开3次会员，花了3份钱。”周女士说，由于当时急用钱，没有认真看条款，导致现在即使还清贷款，还要继续交会员费。 来自成都的小梅的困惑则是借的钱总是不能足额到账。由于此前毕业旅行“经费”紧张，小梅在某第三方信贷推荐平台上找到了指上旅行App，“当时平台上写的是借3000元，分三期还，最后只需还3090元”。 “到手时傻眼了，只有2096元，App客服告诉我扣掉的904元用来给我买违约保险。后来我仔细一看三期还款时间一共1个月，每期10天。粗算下来借款年利率超过300%。”小梅说。 来自上海的小谢也有类似经历。2019年以来，他多次在小花旅行App上借款，几乎每次都要求购买约占借款金额30%的“超值厦门五日游”旅游代金券。“例如，前期借3000元，买了900元的券，实际到账只有2100元。” 记者了解到，随着监管趋严，如今各个网贷平台套路越来越隐蔽。除了会员费、违约保险、旅游券，还有的以管理费、服务费等各种名义扣除借款人的费用。 “挖窟窿”“擦边球”，维权路上困难重重 借钱过程中，稍不留意就进了“坑”，但维权却不容易。 在某投诉平台，投诉同程旗下提钱游产品捆绑会员消费、变相收取“砍头息”的帖子超过百条。但同程的官方回复却为“提钱游确保在法律法规及协议允许的范围内收费，平台相关业务均符合相关规定，是合法合规的经营”。 “借完钱才发现，平台和实际放款方不是一家公司，维权只能被‘踢皮球’。”小谢觉得，有的网贷平台精心设计好了“窟窿”，就等着借款人“往里跳”。 广东的廖女士反映，她在惠花钱App借款时被搭售多份华泰保险产品，“但给惠花钱和华泰保险打了无数次电话，双方就没一个肯退钱”。 记者发现，有的网贷平台在App条款里就埋下了推责“伏笔”：“如您与平台合作方（实际放款方）之间发生纠纷，由您与平台方自行解决”，但实际发生纠纷时，借款人想要找到放款方就很不容易。 北京盈科（杭州）律师事务所律师方超强指出，如果不能证明平台方和实际放款方之间对“雁过拔毛”的收益存在分成关系，很难判定搭售属于“砍头息”或“断头贷”，相关纠纷更容易被看作搭售问题引发的合同纠纷，维权难度较大。 记者还发现，有的网贷平台为了避免被维权，频繁更换“马甲”，加大借款人维权难度。如被多位网友投诉的点点金融App就长期处在闪退无法打开状态。多位借款人表示，因为不能按时还款被迫记入征信系统，或难以保存借款和还款记录用以维权。 网贷平台转型需“堵偏门、开正门” 当前，部分网络借贷信息中介机构正向小额贷款公司转型。专家认为，需警惕转型中的网贷平台“搞变通”，对借贷者收“过路费”，应持续提高平台合规审慎经营能力。 新网银行首席研究员董希淼表示，监管部门要加大对不规范、不合法网贷平台的清理整顿力度，加快市场出清；同时，应当鼓励商业银行、正规消费金融公司提供更多规范、合法的互联网贷款产品，更好地满足借贷者的需求。 方超强认为，在实践中，对于钻法律漏洞，利用优势地位，迫使借款方接受不公平借款条件，加重借款人负担，甚至导致实际借款成本超出法定利率上限的，金融和市场监管部门应及时对相关企业进行约谈，进行惩处或提出警示。 中央财经大学应用金融系主任、金融证券研究所所长韩复龄建议，应利用部分网贷平台向小贷公司转型契机，对网贷平台的互联网背景和网络技术资源基础、监管系统对接等方面设置更严格准入门槛，使其真正满足非现场监管要求。 上海金融与法律研究院研究员傅蔚冈指出，当下不少借款人在被“雁过拔毛”后遭遇维权难，主要原因在于对平台的股东、出借方与自身之间的权责不够清晰。网贷平台在借贷时应向借款人进行“强提醒”，明确各方权利和职责，进行合规审慎经营。 “应加强金融消费者的教育力度，帮助其养成审慎的习惯；平台在设置所谓增值服务时需以醒目的方式提醒借款人，不得将捆绑商品或服务作为默示同意的选项给借款人下套。”方超强说。
图片来源@视觉中国16日晚上，北京市政府罕见举办了两场疫情相关的新闻发布会，相比120 场，第121 场新闻发布会更令人关注。就在北京市新冠肺炎疫情防控第121场新闻发布会上，北京市政府副秘书长陈蓓宣布，北京疫情形势十分严峻，经研究决定，6月16日即时起，北京市突发公共卫生事件响应级别调整至二级。此起聚集性疫情已波及9个区28个街道，包括在三个省市引发了相关病例，本起聚集性疫情初步判断由人际传播或物品环境污染引发的感染所至，且密切接触者中出现了明确的续发感染，这些情况再次给我们敲响了警钟。应急响应级别调整后，要坚持及时发现快速处置，精准管控，有效救治，强化底线思维，采取最坚决、最果断、最严格的措施，科学有效精准抓好防控工作，坚决阻断疫情传播渠道，遏制疫情扩散蔓延。为响应全市应急响应级别调整为二级的要求，北京提出以下必须加强的防控措施。加强防控措施：非必要不出京、中小学停止到校上课、不需停产停工1、严格农贸市场、菜市场、餐饮店、单位食堂等场所防疫措施，全面规范开展环境消杀并加强监测，对地下阴冷、潮湿的经营场所全部关停。上述场所相关从业人员必须佩戴口罩和手套。2、严格口岸食品检验检疫，完善进口食品检疫标准，加强溯源管理。3、北京市严格进出京管控，境外入京人员全部集中观察核酸检测；中高风险街乡、新发地市场相关人员禁止离京；其他人员坚持“非必要不出京”，确需离京的须持7日内核酸检测阴性证明。4、恢复社区封闭式管理，落实测温、查证、验码、登记等措施后方可进入。中高风险街道（乡镇）所辖小区（村）外来人员及车辆禁止进入。高风险街道（乡镇）所辖小区（村）进行全封闭管控，人员只进不出、进行居家观察并做核酸检测。5、调整公共交通限流比例，控制满载率。落实消毒通风、体温检测、佩戴口罩、留观区设置、发热乘客移交和信息登记等防控工作。6、在10类人员核酸检测“应检尽检”基础上，对过去14天到过新发地、玉泉东、天陶红莲市场等重点区域人员及密接者检测全覆盖，并扩大检测范围。7、北京市中小学各年级从明日（6月17日）起，将一律停止到校上课，恢复居家线上教学，高校学生停止返校。具体安排如下：基础教育阶段：从明日（6月17日）起，中小学各年级一律停止到校上课。各学校要及时将通知告知每一名学生家长，同时做好线上教学的无缝衔接，做好心理疏导和家长沟通，确保学生平稳进入居家学习。初高三年级也同步恢复居家线上教学，学校要特别做好毕业年级线下到线上复习过渡的各项工作，并安排好相关学习资料的发放工作。各中等职业学校：参照基础教育阶段执行。各在京高校（含高职）：从明日（6月17日）起，学生停止返校。学校可以通过线上办理、远程服务等方式，做好毕业生的毕业离校工作。学前教育阶段：从明日（6月17日）起，已复园的大班幼儿一律停止来园，全市各类型幼儿园均不再开园。校外培训机构：继续暂停线下课程和集体活动。8、商务楼宇、商超、酒店宾馆、餐馆、工厂、工地、各类门店等公共场所和健身场所须做好体温检测、日常通风消毒和健康宝“绿码”查验。二级应急响应级别下不需要停工停产，但是下调办公楼宇到岗率，鼓励远程、居家等弹性办公，鼓励错峰上下班。9、图书馆、博物馆、美术馆等室内公共场所及公园景区限流30%，实行分时段预约限流、远端疏导等防控措施；室内外体育健身场所，实行预约限流措施；停止开放篮球、排球、足球等团体及对抗性运动项目；关闭文化娱乐场所和地下空间体育健身场所、游泳馆等。10、对监管、养老、福利、精神卫生等特殊机构场所，实行严格封闭式管理，重点防控输入性疫情和内部疾病传播。11、在严格落实各项防控措施条件下，可举办100人以内规模的会议或召开视频会议。停止举办会展、体育赛事和演出活动。12、坚持门诊预约挂号制度。13、停止开放境内跨省区市团队旅游业务。14、坚持科学戴口罩，随身携带口罩。医疗卫生等专业机构、从事公共服务人员等必须佩戴口罩。小于1米近距离接触、处于人员密集、封闭拥挤场所，必须佩戴口罩。15、非必要不聚餐聚会聚集，严防人员扎堆，开展活动时尽量保持1米以上社交距离。人群密集场所要加强通风，严格按规范加大清洁消毒频次和范围。此外，为加强商业企业疫情防控措施，市商务局近日向各大商业企业发布紧急通知，要求按照二级响应防控措施要求抓好疫情防控工作。餐饮企业暂停举办婚宴、酒席等群体性聚餐活动。没有证据表明三文鱼是新冠病毒宿主或中间宿主6月16日晚上，北京市新冠肺炎疫情防控第120场新闻发布会上，要点如下：1、6月15日0时至24时，北京市新增新冠肺炎确诊病例27例，均与新发地市场有关联。所有病例均与新发地农产品市场有关联。本起聚集性疫情，初步判断由人际传播和物品污染引发。2、中国疾控中心专家表示，目前还没有证据表明三文鱼是新冠病毒的宿主或者中间宿主。3、北京市委市政府高度重视新发地批发市场发生的急剧性疫情，要求争分夺秒、从严从紧落实各项防控要求，采取最坚决、最果断、最严格的措施，坚决遏制疫情扩散蔓延。北京市蔬菜市场供应秩序正在迅速恢复，蔬菜总量没有问题。本市将全力保供稳价，及时组织货源，加大二级市场社区菜市场补货的力度，保障市民群众家门口的超市、菜店、便利店供应，确保不断货。北京市蔬菜市场供应秩序正在迅速恢复，蔬菜总量没有问题。商超企业的社会责任正在迅速激发，连锁超市响应“大手拉小手”的倡议。16 日将完成全部餐饮服务单位的消杀工作今天上午，北京市召开了第119场新冠肺炎疫情防控工作新闻发布会。会上，北京市政府新闻发言人徐和建介绍，6月15日0时至24时，北京新增报告本地确诊病例27例，疑似病例2例，无症状感染者3例。新增确诊病例中，东城区1例、丰台区22例、门头沟区2例、房山区1例、大兴区1例。自6月11日新发地批发市场发生疫情以来，累计本地报告新增确诊新冠肺炎病例106例。首都疫情防控形势严峻。针对北京严峻的新冠肺炎疫情，北京市各部门负责人分别就人员核酸检测、农贸市场和餐饮场所消杀、生活必需品安全检查、封闭小区相关问题展开讨论。（详见：北京疫情防控发布会：新发地是防控重中之重，核酸检测全覆盖不容遗漏）其中，市政府新闻发言人徐和建表示，新发地批发市场是此次首都疫情防控工作的重中之重，对曾进出新发地批发市场的人员尽快核酸检测并医学观察，做到全覆盖不遗漏。北京市市场监管局副局长陈言楷在发布会上称，已经对全市农贸市场和餐饮场所展开大检查。当前，全市农贸市场和餐饮单位基本营业正常。预计6月16日24时完成全部餐饮服务单位的消杀工作。另外，全市市场监管部门以肉蛋奶、米面油、蔬菜水果和海鲜等生活必需品为重点，开展食品安全专项检查，目前已经完成抽检样品2000余件，已完成检验的抽检样品全部合格。
抗疫特别国债终于靴子落地，财政部公告将于6月18日招标发行两期特别国债，规模总计1000亿元。 《政府工作报告》提出，今年赤字率拟按3.6%以上安排，财政赤字规模比去年增加1万亿元，同时发行1万亿元抗疫特别国债。 对于特别国债的发行方式及进展，市场一直密切关注。值得注意的是，不同于此前市场预期的万亿特别国债或部分采用定向发行，据悉，此次特别国债全部采取市场化发行的方式，并将于7月底前发行完毕，超出市场预期。 中信证券研究部固定收益首席分析师明明认为，特别国债的市场化发行凸显了政府对于完善市场机制和推进市场化定价的决心，坚定了不走财政货币化道路的信心。而对于此次发行对市场流动性带来的冲击，业内普遍认为不必有太多担忧。 资金面冲击可控 为筹集财政资金，统筹推进疫情防控和经济社会发展，财政部决定发行2020年抗疫特别国债（一期）（二期），规模均为500亿元，期限分别为5年和7年，两期抗疫特别国债将采取记账式国债发行方式，个人也可以购买。根据安排，这两期特别国债将于6月18日招标，6月23日起上市交易。 市场普遍关注，1万亿抗疫特别国债要在7月底前发行，会对市场流动性造成多大冲击？业内人士认为，特别国债发行对资金面冲击可控，不必对资金面有太多担忧。 中国民生银行首席研究员温彬对表示，本周发行特别国债1000亿元，占总额度1万亿元的10%，规模有限，而且上个月有1万亿元地方政府专项债券提前发行，降低了本月地方政府专项债的发行压力，因此，首批特别国债发行不会对市场流动性造成压力。 “影响6月资金面的因素，最主要的是MLF（中期借贷便利）续作情况、地方债发行、财政支出以及特别国债的发行量。”明明认为，在地方债让路的情况下，特别国债市场化发行的压力大幅下降，上述三个因素中，目前能够显著影响资金面且政府能够施加影响的只剩地方债。 Wind资讯统计数据显示，相比于2019年同期发行情况，截至目前，6月的地方债发行鲜有净增。 明明表示，按此趋势判断，下半月还有必要为特别国债发行让路，地方债可能难有比较大规模的净增。考虑到7月可能还有更大一批特别国债发行，意味着今年下半年地方债的发行节奏会与去年有明显不同，6、7月份都没有办法大量发行，所以大概率会继续向后平移，并适度均匀发行。 光大证券固收首席分析师张旭认为，今年5月，财政部指导地方政府密集发行了1.3万亿元的地方政府债券，将发行工作适度“前置”，减轻了6～7月地方政府债券的发行任务。预计财政部也会在本阶段内相应减少一般国债的发行量，为特别国债发行腾出市场空间。 此次抗疫特别国债发行节奏也可能较为均匀，对资金面的影响有限。业内人士推测，按照财政部已公布的两期特别国债，后续每期特别国债在发行量上可能大致与一般国债相仿，一期500亿元左右。一次新发1000亿元（两期），大致十次可以发完。 明明认为，从“财政+货币”的积极配合上看，财政方面，特别国债相对均匀的发行节奏、可能使地方债让路等，都是缓和特别国债对资金面冲击的有效措施。 货币政策将如何协调 近期，央行公开市场短期限操作频率明显增加。6月8日至12日，央行逆回购操作每个交易日都有。此外，6月份，有2期合计7400亿MLF到期，6月15日央行一次性缩量续作了2000亿元，净回笼5400亿元。从市场利率走势来看，当前流动性较为充裕。 温彬表示，5月中上旬，市场流动性相对宽松，市场隔夜利率一度运行在1%下方，金融机构“滚隔夜”加杠杆、期限错配交易增多，资金出现空转和脱实向虚。为抑制资金套利，央行自中下旬对公开市场操作进行边际调整，隔夜利率开始向短期政策利率靠拢。 此次配合特别国债发行，货币政策将如何协调？市场分析认为，从历史经验看，货币政策大概率会为政府债券发行营造出相对宽松的融资环境。不过，市场对于央行会以降准或是逆回购等方式投放流动性略有分歧。 明明认为，央行大概率会出手缓和特别国债发行造成的资金面波动。近期央行公开市场短期限操作频率明显增加，可能意在维持一个偏松但又不至于像之前一段时间那样过于宽松的状态。另外从央行近期的表态来看，并没有太多收紧流动性的意思，仍然倾向于保持银行间流动性合理充裕。 温彬预计，央行将继续加大公开市场操作支持特别国债发行。“考虑到适逢上半年末考核时点，季节性流动性压力仍然存在，预计央行将继续加大公开市场操作，并有可能重启28天逆回购操作，保持短期市场流动性稳定，支持特别国债发行。” 事实上，早几年前在地方政府置换债密集发行阶段，央行曾多次降准进行配合，以保障市场资金面平稳。为对冲流动性，配合特别国债发行，此次降准概率有多大？ 张旭认为，历史上多次政府债券“供给冲击”都遵循这样的模式：一开始，市场投资者对于巨量供给感到担忧，并导致债券收益率上行；接下来，货币当局通过降准等方式营造出相对宽松的融资环境，并再度压低收益率。“预计这次也不例外，央行可能通过降准等方式向银行体系提供低成本的长期资金，并将债券收益率控制在合理的水平。” 温彬认为，下阶段看，国债、地方政府专项债、企业信用债等还有超过4万亿元待发行，因此全面降准仍有空间和必要，通过货币政策更加灵活适度操作，配合积极的财政政策，降低政府和企业发债成本，稳定和扩大内需，支持经济继续企稳回升。
据美国有线电视新闻网15日报道，华盛顿大学卫生统计评估研究所的一个模型预测，到10月1日美国将有超201000人死于新冠肺炎。 预测表明，实现死亡病例下降很困难，9月和10月每日新增死亡病例将急剧上升。在新冠肺炎疫情早期阶段，白宫经常引用华盛顿大学卫生统计评估研究所的这一模型，它也是目前美国疾病控制与预防中心官网上精选的19个模型之一。 模型预测，截至10月1日，美国预计将有201129人死于新冠肺炎，死亡病例的浮动范围是171551例至269395例。
近日，雷锋网《AI金融评论》联合香港人工智能与机器人学会（HKSAIR），邀请京东数字科技AI实验室首席科学家薄列峰做客公开课，以《京东数科的联邦学习战略全布局》为题进行分享。除了分享横向和纵向联邦学习以外，他也通过案例形式给出了京东数科对联邦学习性能与安全性方面的研究成果，以及区块链和联邦学习的融合讨论。以下为薄列峰的课程分享全程回顾，雷锋网AI金融评论做了不影响原意的编辑：随着互联网发展，数据安全管理越发严格，对数据管理的关注也越来越全面化。怎么在保护数据隐私的情况下，还能做一些好的机器学习模型，应用到各种各样的问题？这就变得越来越重要，需要从集中式机器学习过渡到分布式机器学习。而2006年开始掀起的深度学习热潮，更把AI和机器学习模型对数据的需求推向了顶峰。什么是联邦学习？就是在满足数据隐私安全和监管要求的前提下，让人工智能系统更加高效准确地共同使用各自数据的机器学习框架。应用方面，举一个简单的例子：各企业或机构大家都出不同的数据，相互进行模型学习，又不会看到对方的数据。数据还可能分布在不同的国家，各国数据监管政策有所不同，也可以把分布在各国数据高效利用、训练模型，不存在数据上的交换。两个典型的联邦学习算法，分别是横向联邦学习和纵向联邦学习，横轴表示特征维度，竖轴表示用户维度。横向联邦学习，看两方的数据和标签，用户重合度非常低，特征重合度比较大。这里显示的是用户无重合的极端情况，实际情况中它可能仅仅重合90%用户特征，5%用户重合，到时进行对齐即可。纵向联邦学习，两方用户重合较多，可对用户的部分对齐。A、B各拥有用户一部分数据，可能都会有用户的一部分标注，纵向联邦学习也能去处理。对计算机视觉、自然语言语音识别等领域而言，2006年深度学习（的出现）是非常大的推动。大家熟悉的语音识别、语音合成、人脸识别等应用，都是大量深度学习模型在背后发挥作用。深度学习、梯度下降与横向联邦学习三种典型深度学习首先是深度神经网络（Deep Neural Networks，DNN）在语音识别误差上有30%的简化，性能有非常大的提升。后来是卷积神经网络（Convolutional Neural Networks, CNN），它的训练误差相对于其他方法降低了十个百分点左右，在计算机视觉领域有着非常广泛的应用。递归神经网络（Recursive Neural Networks，RNN）在自然语言处理领域是非常基础性的工具。优化神经网络的典型方法：不管神经网络有多复杂，大家实际上都能把它写成一个f，一个输入加一个参数。常用方法之一是随机梯度下降。大家都知道，优化最基本的是梯度下降，就是精确计算梯度，再对参数的方向和模型参数用梯度做下降。如果我的样本量非常大，有100万、1000万，做梯度下降计算代价非常高。实际运用中，我们可以随机提出采样。极端情况下，可以只采用一个样本去估计梯度，比如包含50-100个样本的小样本集，它的梯度估计不准确，但计算代价非常低，这样能有效优化神经网络参数。如图，红线是随机梯度下降的结果，梯度估计不准所以路线较曲折。蓝线是典型的梯度下降结果，估计比较精确所以不会拐弯的路线。但最终都会去到最优解。虽然红色路线比较长，但它走每一步的代价明显更低，相对于随机梯度而言，整体效率还是更高。这是典型的横向联邦学习框架。设置里下面是客户端（client1,2,3，……，t）。蓝色云是服务端（Server）。横向联邦学习的设置是数据的不同样本存在不同用户端，这实际上是对传统分布式框架的改善。首先每个客户端训练模型，产生参数w1、w2、w3……wt,参数传到云端，服务端对模型做平均，得到 w-。服务端做完模型平均之后，每个客户端再下载模型w-，再对模型做几轮梯度下降或优化，再将模型上传到服务端，循环往复，形成这样一个迭代的过程。在这个过程中，客户端的数据并没有向服务端传递，传递的只是模型的参数w，保护了客户端数据的隐私。它与传统分布式学习的不同之处在于，后者在此传递的是梯度；在联邦学习里，客户端向服务端传的是模型的参数。实际上现在也有证明表示，梯度信息其实也能泄露不少数据信息，而模型参数经过几轮梯度下降后，对数据的保护会做得更好。如图，联邦Average（FedAvg）和 联邦SGD，前者实际使用代数明显更少，就可以收敛，SGD需要的代数明显更多。在很多setting里，在分布式学习里，通信代价通常会是瓶颈，这个差异意味着FedAvg能有效降低这一代价，提升了训练效率，同时也加强了对数据隐私的保护。在这个设置下，实际上服务端还是知道我的模型参数的，有没有可能进一步对我的模型参数加密和保护？其实不需要加密也有相当的安全性，但加密能对攻击、对服务端、对可能的数据欺诈有更好的防护。同态加密简单来讲，这是一个密码学的算法，主要操作是生成公钥和私钥，加密算子，应用到明文，产生密文；用私钥对密文解密，产生明文。同态加密的特点之一就是，两个数m1和m2的和同态加密，等于m1的同态加密加m2的同台加密；m和一个常数相乘的同态加密，等于对这个样本同态加密，再乘以常数。横向联盟学习+同态加密：和刚才的情况类似，传递参数过程中，可对w1……wt同态加密，然后在服务端对同态加密域做平均，以得到模型参数。在这一设置下，服务端不知道私钥，但客户端知道。服务端实际上不能对w-解密，甚至连模型参数也不知道，它只知道同态加密域，但没有私钥就没法解密。客户端下载参数，用自己的私钥解密，再更新自己的模型——因此同态加密也提升了数据安全性。横向联邦学习之人脸识别应用：人脸识别有多场景的数据收集，比如打卡的门禁数据、多角度监控、证件类数据等。甚至还有一些海外业务，海外数据不能传递到国内，联邦学习就能解决这个问题，有效提升在人证场景或配合式场景下的通过率。Q：各方的特征怎么对齐？在横向联邦学习，大家的特征集是一样的。举个例子，a方和b方都是人脸数据，那么模型取的就是人脸数据，可以规范化到一个图像标准，比如说128×128的头像，这样输入x就自然对齐了。除了同态加密，另一个在横向联邦学习应用较多的是差分方法，思路是在分布式学习的时候传递梯度，同时对梯度加噪，以噪声方式保证梯度安全性。纵向联邦学习假设两个公司各有数据的部分特征，同时 b方拥有数据的标记，可以用一个安全的方法对齐数据ID，再做纵向联邦学习。这通常需要一个合作者Collaborator（有些方式可能不需要），AB两方的数据交换都需要对它加密。此处设置为：合作者有公钥和私钥，两个机构a和b，分别都只有公钥，没有私钥，能通过加密保护自己的数据。得到同态加密域的梯度之后，会对梯度加噪声再送到合作者处，合作者会用自己的私钥解密，然后把梯度还给它。在各方得到自己的梯度之后，可以进行梯度下降。Q：若合作者方占主导地位，是否有泄露风险？这是实际操作中需要注意的问题，比如A方特征占10%，B方特征占90%，这块你能写出的方程数量明显少于参数数量，理论上是推不出来的，但随着不平衡性的增加，安全性也会下降。纵向联邦学习某种程度上，是有信息泄露的，但是从大方向说，它泄露的信息足够少以至于别人推不出来主要的特征。线性回归是一个典型的算法。在很多模型的应用中，当样本量较大，线性回归的性能或许不会很好。此处常用的方法之一是随机森林（random forest）。随机森林Step 1：随机森林会对原始特征采样（bootstrapped）。这个步骤是放回式采样，比如说100个训练样本，它会每次放回，然后做采样100个。完成采样后，每个数的训练样本就不一样了，都是原始训练样本衍生出来的。这样主要是为了增加数的随机性和多样性，在树的集成过程中会产生更好的效果。Step 2：建每一棵树时，在每个节点选择一个特征的一个随机子集。举个例子，这里有30位特征，建树时随机选择五维的特征；建每个节点时，随机选的5个特征都不一样，再从中挑选最好的特征，保了每个节点的多样性。建树过程中，可以是深度优先，然后走到叶子节点，直到它满足一个判据，完成树的分支搭建，最后再逐个预测。联邦随机森林大致思路是，主动方、被动方各一，主动方有标记，并加密标记和标记的平方，然后发送给被动方。此处三角号表示对yi、zi进行同态加密。加密后，被动方根据自己每一维的特征，当它的这维特征被整个机制选中的时候，它会针对这个特征做直方图，然后用直方图在同态加密域的yi和zi进行聚合。每一个直方图会把它划分成很多区间，在每个区间做平均，得到Y和Z。简单讲，主动方传同态加密后的y和zi是一个向量，该向量和样本数一样。被动方会对向量做聚合每次会选向量的一个子集，看哪个特征落到区间上，再对传递过来的yi和zi平均进行同态加密域的求和运算。在随机森林里，既要选取特征，也要选阈值，通过该阈值下的特征得分算出y的矩阵，矩阵还给主动方。此处主动方有公钥和密钥，被动方只有公钥无密钥，所以被动方无法解密y和z，它把Y和Z的矩阵传给主动方，后者会依所得进行解密，再计算每个特征和每个阈值的得分，择其得分高者，如此即可完成随机森林中一棵树的某节点构建。重复该过程可构建不同的树和整个随机森林。可以看到，主动方得到被动方的数据，实际只是得到聚合后自己发送的y和z，所以不知道被动方的特征，也很难推导出；被动方只知道主动方同态加密运送来的y和z，并不知道更多的信息，整个过程可以保证安全。何为快速安全的联邦学习框架？传统纵向联邦学习需要用同态加密进行保护，同态加密比较低效，我们是否能设计一个不依赖于同态加密的联邦学习框架？设计快速安全的联盟学习框架有如下特点：第一，隐私能得到保护；第二，利用树状通信结构，有效提升传输效率。利用不同的数聚合信息；第三，新框架支持异步计算，能再次提升数据安全性。同时整个过程只涉及一些内积（此处不确定）计算，包括加噪后内积传递，所以该框架下不会用到同态加密，效率更高。如图，模型隐私在传递过程中，会传递参数和特征的内积，再进行加噪保护，最终有数据结构的聚合。整个框架的安全性如何？可以从理论上证明，这个算法能有效抵御精确攻击和近似推理攻击。看主要算法步骤，在第二步可以看到聚合的是内积+噪声，以及聚合噪声，然后返回到coordinator计算所有参数和所有内积再减去聚合的噪声，得到决策值，不过此处并不得到模型参数，这也正是模型信息能被保护的原因。coordinator在此只知道内积，不知道参数，所以它也无法推断各参与方信息。实现过程要确保通信的安全，数据在通信过程中不会被联邦系统之外的攻击者所获取，也需要一个可信赖的第三方来进行调度。谁做coordinator？可以是监管机构，独立第三方机构等。原始数据主要通过两项：1.任一通信节点接收到的均为加噪声后的内积，由于树状结构的差异，随机数又无法被移离，内积值因此得到保护。2.即使在串通的情况下，多个节点能移离随机数，根据内积本身也只能构造出方程，也无法通过方程精确推断所含变量。有噪声、有内积，方程数明显少于变量数，树机制……这些多重机制都能保证安全性。刚才所讲的逻辑回归还是线性模型范畴，怎样把线性模型推广到非线性模型？这也是关键，推广的非线性模型精度会大幅提升。右边算法概念大致是：先产生随机特征，生成随机数，然后做cos生成随机特征；在随机特征域上，再做刚才提到的这种联盟学习框架，来完成随机特征的参数学习。随机特征这一步引入了非线性函数，它能很好逼近原始核函数。此处，各参与方会有一部分随机特征，特征上的模型参数也保留在各方，不为他人所知。全程将通过噪声、聚合等方式提升安全性。随机梯度下降法，是首次实现了快速安全的异步并行纵向联邦随机梯度算法，并理论上分析了其收敛率核问题的双随机梯度算法，则是首次实现了大规模、高速、安全的基于核方法的纵向联邦学习。测试性能结果对比如下。LIBSVM是很多同学在研究机器学习时常用的工具，PP-SVMV是一个隐私保护算法，FDSKL则是我们目前所设计的算法。可以看到训练时间的对比。PP-SVMV涉及核矩阵，因此在大样本上操作非常慢。FDSKL收敛速度与DSG类似，后者没有联邦学习的设置。FDSKL几乎达到了不在同态加密状态下的训练速度。精度结果对比如下。FDSKL也接近了原始的不用联邦学习的效果。京东数科的最新工作也将在KDD发表。区块链联邦学习区块链受到很大关注，数据上链有透明化、分布式、不能篡改等优势，它是一种不依赖第三方，通过自身分布式节点，进行网络数据存储验证传递和交流的技术方案。区块链的分布式、去中心化特点，和联邦也有一些关系。实际上，联邦学习在大型的多方参与项目中都有类似机制，也可以考虑采用去中心化。最简单的应用是，把联邦学习和区块链结合，建立在区块链上的联邦学习算法。我们也完成了二者更深层次的融合，包括共识机制等。我们认为二者的结合在未来会有越来越多的应用。区块链可以解决数的存储，具有不可篡改性，联邦学习能对数据隐私做表保护，其中有不少地方互补。互动问答精选问：联邦学习可以不加入加密技术，不加密是不是也算对数据隐私保护？还是说得进行加密后，才算是各方进行隐私保护？薄列峰：就像我刚才在横向联邦学习中提到的那样，第一种算法实际上不加密，是用均值进行保护，整个过程中并没有传递数据。不同类型的联邦学习算法，有不同方向的数据保护。现在的问题是，哪一种对信息的保护级别更高，效率更高？同态加密是一种方法；差分隐私基本上就是给梯度加噪。这方面，像我们刚才提到的方法，都是不用同态加密对数据保护的联邦学习算法。问：联盟学习在京东有实际的落地场景和业务吗？薄列峰：有，其实联邦学习就是在做多方机构的落地，比如人脸识别、营销、风控等场景，京东数科都有案例。问：联邦学习和边缘计算的区别是什么？薄列峰：边缘计算讲的是每个用户端有自己的计算设施；联邦学习讲的是对数据隐私的保护，同时合作建模。大概念上还是非常不一样。当然，在做这种分布式联盟协议的时候，它也会用到各自的客户端，有自己的计算设备，在这一点上它会和边缘计算有一些结合点。问：怎样保护在客户端的运算速度？薄列峰：客户端的运算速度，得靠其自身计算资源来进行保护。如果计算资源比较有限，通常它的数据也比较有限，参与更少的计算。如果数据比较多，它的计算资源也多，如果是多个机构合作，这都可以协调。问：实验中列出来的时间对比，是参与方与第三方之间通信，是内网还是外网？薄列峰：我们在实验比较时，没有特别考虑网络延迟因素，是相对理想情况下的比较。有网络延迟的话，在计算的情况就会增加网络延迟。网络延迟针对每次具体的setting并不一样，所以并不容易做标准化的比较。我们比较的是没有网络延迟的情况，具体有网络延迟或者有各种情况，可能还是需要在具体设置里做更好的处理。问：每个客户端上的特征异构以及标签异构如何理解？可以举个例子吗？薄列峰：这个看是水平联邦学习还是垂直联邦学习。在水平联邦学习情况下，各个客户端也有自己的标记。刚才我举了个例子，比如说image net，每一个有1000类，每一类有1000个样本，这样你有100万个样本。假设有100个客户端，然后每个客户端有1万个样本，它有1万个样本标记，然后大家可以用横向联盟学习框架，可以有效地利用每个人手上的样本来建模。最终，每个参与方建造的模型都用了别人的样本，但是又不会去实际获取别人的数据。在纵向联盟框架下，举个例子，大机构和小机构做完用户对齐，大机构作为主动方，小机构是被动方，各参与方都可以商讨解决。像横向联盟学习，在很多时候，参与方其实就是同一个公司的分布在不同的国家的情况，信任度实际上是有保证的。即使说不同的机构之间，大家也是有相互的信任度。如果完全没有信任度，要去做这样的联邦学习，可能还是比较难的。参与方可能会对整个框架进行攻击。它的安全性会变得更加复杂。所以，我们现在还是假设各参与方是honest，是相对比较协作的，在实际应用中是可以做很多协调的。问：目前在联邦学习研究遇到的瓶颈有哪些？是否有后续未来的规划？薄列峰：后续京东数科会在联邦学习上做大量的投入，因为我们认为联邦学习是整个人工智能，包括整个机器学习的基石，它有潜力去改变所有的机器学习算法。我们会做重点布局，研发越来越多的联邦学习算法，来进一步提升联盟学习在各个领域的落地，提升它的有效性和效率，包括和区块链结合这种前沿方向。我们既会去提供一些可信度较高的软件，同时也会去落地，考虑前沿的研究，带动整个联邦学习生态的建设。问：是否可以动态变更合作机构的数量？薄列峰：合作机构的数量，是可以变化的。在纵向联盟学习里，相对比较复杂。它不参与之后，可能有些东西需要重新开始。但横向联盟学习，相对比较容易，因为大家都是拥有不同的样本，假设有1000个参与方，两三个不参与，那就少了千分之2，千分之3的样本，并不影响整个联盟学习的框架。横向联盟学习里，也有一些机制，可以保证参与方突然不参与，还能完成这个模型的训练。问：联邦学习可以用于表情识别吗？薄列峰：可以。举个例子，不同机构之间有表情识别的不同数据，大家可以利用彼此的数据来增强模型，同时又不想把数据给到对方。表情识别更像是一个横向联盟学习问题，怎么激励大公司愿意跟小公司之间共享信息。我的个人理解，它还是商业利益的驱动问题，怎么鼓励这件事。如果现在联邦学习的整个框架，只有一个小公司参与，大公司可能缺乏热情，但是如果有1000个小公司参与，那么这样以小积多，有更越来越多的可供交换的数据，大公司参与的意愿就会变强。问：服务器端，共享梯度和共享模型参数有什么区别？薄列峰：共享模型参数是做了几轮梯度下降，针对共享梯度，它的一大优势是通信代价会低；同时，对整个梯度信息的保护，也会更好。关注「AI金融评论」，在对话框发送关键词“听课”进群，即可收看课程直播，和往期课程全部回放。雷锋网雷锋网
图片来源@视觉中国还剩下什么大赛道是字节跳动公司没有进入的？过去我们习惯把这句话放在A或T头上，现在ByteDance也适用。金融时报昨天报道了字节跳动联合新加坡“李氏家族”（非政客，此乃新加坡OCBC华侨银行的背后控制人）申请当地数字银行牌照的消息。其实早在去年年底左右，字节跳动就已经在走申请程序，一千二百字在今年初时写过一篇《蚂蚁金服Grab雷蛇追逐新加坡银行牌照背后》，字节跳动就在这一批申请者中，熟悉的申请者中还有小米公司。这些消息未经字节跳动官方证实。当时申请的有27家左右，新加坡金融管理局MAS计划针对非银行企业发放5张牌照，其中两张是全业务牌照(full bank)，就是to C和to B的业务都能做，另外三张是批发银行牌照(wholesale bank)，只能做面向中小企业的贷款等，不能碰零售业务。资质上的区分条件是，由当地实体控制的才有资格申请全银行牌照，外资目前只能申请批发银行牌照。从申请热度看，全球互联网科技公司在争抢新加坡金融业数字化改革的这一波政策红利。与李氏家族旗下财团的合作究竟是何种方式，是否涉及合资公司等更深的联系，金融时报尚未说明。但从资质上看，字节跳动申请的应该还是批发银行牌照，与Grab这种新加坡实体不同。它这次与当地传统银行合作有可能是进一步增加“中签”几率，而非改变申请性质，Grab、雷蛇等申请者也采取了类似的合作形式。这个李氏家族的成员是淡马锡信托基金的创始人，而淡马锡信托基金隶属于新加坡国有投资机构淡马锡控股集团。看来字节跳动这回人脉够硬了。从ByteDance官网上找到字节跳动这家公司的全球实体架构图，它在新加坡是有分公司的，且不止一个，外界也传管理层有意将海外总部就设在新加坡。对于想借助TikTok渗透东南亚与印度市场的字节跳动，新加坡的地理区位优势不言而喻。国内厂商出海，几乎都绕不开马六甲，不管是云计算、游戏，还是电商、短视频。那么，做内容分发的字节跳动为什么要去拿一个批发银行的从业资质？如果说蚂蚁金服去申请，它本身已经构建起比较清晰的全球收付网络蓝图，似乎更合情合理。这里从两个角度看，一个是行业趋势。由贝恩资本、谷歌、淡马锡联合发布的数据，图中粉色部分代表的东南亚地区贷款业务的预期增长规模最大，当地中小企业小额贷款需求持续旺盛。互联网公司进入这个领域本身具备大数据风控上的优势。但传统借贷市场赚取利息的传统盈利模式不是这些互联网公司的核心诉求，字节跳动是趁政策红利期争取先把机会占上，再谋划自己的业务，因此下面主要分析第二个视角——公司自身。我之前在一篇《Shopee提交东南亚电商成绩单：少年不识愁滋味》中分析过SEA集团，就是Shopee电商的母公司，总部也在新加坡。SEA集团最初是先有的游戏业务Garena，游戏有天然的支付场景，由此衍生出AirPay等支付业务，然后才诞生了Shopee，把早期积累的游戏用户，通过支付体验后导流给实物交易平台。这在用户信任关系与业务关联上都属于递进式的步骤，一环套一环，非常清晰。可见，游戏、电信运营商这些角色天然离支付和金融比较近，同时又与C端用户联系得很紧密。字节跳动现在做的主要是内容分发，TikTok在海外积累C端用户上势如破竹一般，但在B端商户上就有些场景逻辑上的阻碍，天然不是那么近。张一鸣已经将TikTok的海外管理权完全交给了外国人Kevin Mayer，接下来海外用户的变现应该是摆在后者面前的首要工作，海外商业化是要提速的。坐拥海量用户，对于TikTok最方便、毛利率最高的货币化方式就是广告。它已经掌握了C端流量，如果能够借助批发银行的中小企业服务巩固B端商户或广告主的联系，形成资金“闭环”，使商户或广告主紧密围绕在这个生态上，至少逻辑上是成立的。仅此而已吗？可能不会。比如字节跳动为什么要做游戏？最好不要割裂地去看一个个业务池，游戏是直播、电竞的上游，抖音需要上游有自己的IP；就类似于阅文对于腾讯新文创的价值，文学是影视剧的IP源头。眼下看，字节跳动主要是做内容分发，TikTok也是如此，但不排除它未来借助短视频、游戏出海，将C端流量导入到实物的分发上，也就是进入电商生态，这和SEA集团的衍生路径有点像。那时TikTok是在和Instagram和Facebook竞争，甚至是Shopee、Lazada电商，从广告到带货，而商户无疑是这个生态里的重中之重。相比于国内，东南亚市场现在处于流量红利期。国内移动支付领域已经被支付宝和微信支付牢牢占据，字节跳动在这个领域已没有机会；而电商竞争从一二线一直打到下沉市场，异常激烈，抖音带货是可以冲一冲的，但增量市场很难突破，天花板可能没那么高。字节跳动“曲线绕道”东南亚，通过TikTok在年轻人中的高人气去做多元化的变现，是个不错的选择，毕竟它算国产App出海最成功的一个，平台生态的搭建需要提速了。
美国彭博社援引知情人士的消息称，美国特朗普政府正在准备一项近1万亿美元（约合7.08万亿元人民币）的基础设施投资提案，作为推动美国经济复苏计划的一部分。 该消息人士还透露，由美国交通部正在起草的提案初步版本将把大部分资金用于道路和桥梁等传统基础设施建设，也将为5G无线基础设施和农村宽带建设预留资金。总统特朗普定于18日在白宫讨论农村宽带接入问题。 据悉，美国现有的基础设施融资法将于9月30日前更新，政府将此视为推动更广泛一揽子计划的可能手段。不过，这项提案还没有最终敲定，也没有正式宣布。 报道称，为了防控新冠肺炎疫情蔓延，全美实行了封锁措施，经济陷入衰退。目前，两党议员和特朗普正在将就刺激美国经济复苏的时机和范围展开商讨。 在此时提出1万亿美元基建提案，是华盛顿在大选之前做的突击工作。据悉，众议员民主党人已提出了一项5000亿美元的提案，旨在5年内对基础设施进行更新。 目前尚不清楚特朗普政府的草案需要多长时间才能获得通过，其中所涉及的各个项目的费用如何支付也没有确切信息。白宫方面拒绝对此作出回应。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估