《联邦学习实战》杨强 读书笔记八——联邦学习在金融保险领域的应用案例

本章将介绍两个案例，分别是基于纵向联邦的保险个性化定价案例和基于横向联邦的银行间反洗钱模型案例。

基于纵向联邦学习的保险个性化定价案例

案例描述

保险个性化定价，与其他个性化服务一样，需要平衡保险公司和客户之间的关系。一方面，消费者会根据自身的需求选择符合个人的产品；而另一方面，为了提高客户满意度，保险公司也需要具备扎实的数据洞察力基础。

但保险业的个性化定价却受到很多因素的制约，导致其模型的构建往往不准确，其中主要的难点在于数据层面。对保险进行个性化定价，需要结合每一位客户的特征属性，但是客户的数据属性多种多样，包括央行征信报告、税收、信贷、消费能力、年龄、职业等。然而，对于金融机构来说，能直接使用的数据-般 只有中央银行的信用报告和信贷数据，其他数据都在其他机构中，数据的缺失是导致个性化建模不准确的最关键因素。

为此，我们利用前面提到的纵向联邦学习的思想，它非常适合处理跨部门或者跨机构之间联合建模的问题。

保险个性化定价的纵向联邦建模

本案例我们要解决的是:联合多方数据构建一个保险个性化定价模型，用来预测一个客户的出险概率。假设现在保险公司与一家出租车公司合作，希望通过个性化模型帮助出租车公司预测客户的出险概率，同时保险公司还与其他行业机构公司有合作，但是这三方之间的数据是不连通、也是不能共享的。保险公司如何在合法合