联邦学习在保险行业的应用探索.pdf
《联邦学习在保险行业的应用探索.pdf》由会员分享,可在线阅读,更多相关《联邦学习在保险行业的应用探索.pdf(3页珍藏版)》请在咨信网上搜索。
1、理论与实践Theory&Practice联邦学习在保险行业的应用探索陈晓静杨润昌洪璟景上海对外经贸大学金融管理学院本文得到上海市欧美同学会2 0 2 3 年度课题资助。联邦学习作为隐私计算的一种,一方面,可以助力保险行业实现精准营销,细分客户需求,提供差异化的保险产品;另一方面,可以提高保险行业对风险评分、风险筛查和反保险欺诈监测的风险管理能力,使更多保险机构服务中小微企业,提升服务实体经济的水平。同类保险公司的保险产品类似、客户特征相近,保险公司可以建立横向联邦学习框架,得到更加精确的风控及定价模型。保险公司与医院、通信公司等其他行业机构开展数据合作,建立纵向联邦学习框架,从更多维度对客户进
2、行画像,提高业务水平,防范保险欺诈。我国保险业逐步进入高质量发展阶段,需要加快转变发展方式,以更加积极的心态迎接行业转型,而联邦学习则为保险业创新发展提供了一种新思路。一、联邦学习在保险业的应用场景联邦学习由数据源、联邦学习系统、多方客户端三大要素构成。联邦学习本质上是由各个参与方在本地将原始数据处理之后,进行模型更新,再对各个参与方的模型进行汇总优化,最后将得到的优化模型反馈给各个参与方。根据参与方数据分布情况的不同,联邦学习可以细分为横向联邦学习、纵向联邦学习与迁移联邦学习。横向联邦学习是指在参与方用户重叠部分较少、数据特征相似性高的情况下,对数据按照横向(用户维度)进44SHANGHAI
3、 INSURANCEMONTHLYJUL2023行切分,并取出数据特征相似但用户不同的部分进行训练。纵向联邦学习是指在参与方用户重叠部分较多、数据特征相似性低的情况下,对数据按照纵向(数据特征维度)进行切分,并取出用户相似但数据特征不同的部分进行训练。迁移联邦学习是指在参与方用户与数据特征重叠部分都较少的情况下,采用迁移学习代替数据切分,以规避数据切分后规模较小的问题。根据是否具有中心服务器,联邦学习架构可以细分为去中心化联邦学习架构和中心化联邦学习架构。去中心化联邦学习架构不需要中心服务器,各个参与方将自有的原始数据在本地处理后梯度发送给下一个参与方,与其所有的数据进行迭代。在每一个参与方都
4、进行迭代运算更新模型之后,再将最终的模型分发到各个参与方,以达到联邦学习的目的。根据业务安全等级的不同,联邦学习可以分为高安全等级业务和低安全等级业务。其中,高安全等级业务包括智能风控、反保险欺诈等;低安全等级业务包括智能营销、智能运营等。(一)高安全等级业务1.智能风控保险公司进行风险控制所面临的难题主要有以下几点:第一,内部数据质量欠佳。传统保险公司收集客户信息主要通过保险营销员进行面对面的沟通验证,获取的数据质量参差不齐,部分数据不能满足保险业或者保险公司的要求。第二,内部信息割裂。保险公司承保、理赔等各个环节的数据信息流动不畅,甚至各省市分支机构内部数据的共享也难以进行。第三,与其他保
5、险公司合作困难,缺少统一可信的信息数据共享平台。另外,从所需的数据类型来看,保险公司的风控活动除了依赖内部数据,同时需要收集以下数据:行业欺诈观察名单、公共记录、第三方聚合数据、社交媒体数据和个人设备数据。值得注意的是,非结构化数据的使用率从2 0 1 8 年的不到5 0%升至2 0 2 1年的8 1%。联邦学习实现了数据融合、联合建模以及模型发布等一体化方案,提高了大数据风控能力,提升了风控效果。大量非结构化数据需要利用联邦学习进行处理分析,通过跨行业、跨公司建立联邦学习框架,可以充分利用多维度的特征数据,建立全方位的风险防控体系。以美国医疗信息局(MIB)为例,MIB为保险公司提供投保人在
6、其他机构投保人寿保险的记录,以此帮助保险公司筛查不合理的投保与理赔行为。这种数据共享方式与联邦学习相比,多了一个数据信息的“中间商”,不可避免地会给保险公司带来综合治理成本的增加,而联邦学习直接将多方数据所有者联结在一起,在减少数据流通环节的同时,降低数据泄露的可能性。MNOHGOXPADXBPAY-AWAEUNZDGEAPXGDAHOKPIDZOYABDYADWHADGIMBHDADVARUEYDZHBOAABONOPQJISZRCFZDRCACYZKCGWBFIGCTZFCUAVRHSMRIQBSACDFACFIFCYJWRIKONDUFWXTWHSXODA.FWJDFWCDSCR6637
7、514759230769590857123890657919879210657656successMNOHGOXPADXBPAYAWXIAEUHZDSEARXSDAHYTPFOKPLDZOY-ABDYADGDAWHEGIMBHDDVRUFOVOBYDUZHEDKHABCAP8945160772NDECXPAE4816720009TPFCPNA4UAIGDAWABYUMH-AE2.反保险欺诈同证券、银行等金融行业一样,作为金融业三大支柱之一的保险业面临着保险欺诈风险。在金融欺诈中,保险领域的欺诈比例尤为突出。国际保险监督官协会测算,全球每年有2 0%3 0%的保险理赔案件涉嫌欺诈,损失金额约8
8、0 0 亿美元。反保险欺诈有四个难点:第一,传统的风险管理体系主要依赖人工,受员工业务水平以及职业道德影响,保险机构应对反保险欺诈的手段单一,难以实时察觉违规行为;第二,保险机构间缺少信息共享机制,客户的投保信息涉及个人隐私,受法律法规限制,难以在不同保险机构间共享;第三,保险诈骗罪的定罪量刑标准较高,使得犯罪分子有可乘之机;第四,随着科技进步,机器学习、知识图谱等技术得到广泛应用,反保险欺诈手段日益多样化。针对层出不穷的保险欺诈现象,保险公司运用多种反保险欺诈技术。反保险欺诈技术现状研究发现,保险公司最常用的反保险欺诈技术包括:危险信号自动标记、预测建模、文本挖掘、报表制作、案例管理、异常报
9、告和数据可视化/关联分析。基于单一保险公司数据构建的传统反欺诈模型难以应对更加复杂的欺诈手段,而联邦学习可以打破保险公司与银行、医疗机构等拥有投保人财务状况以及健康信息等行业间的数据孤岛现象,通过分析投保人的金融特征、健07006039607951928732康状况等信息,构建反保险欺诈体系,为保2.智能运营险业风险管控提供更全面、完善的保障。通过联邦学习,保险公司可以实现对客户的全维度用户画像,充分了解客户日常生(二)低安全等级业务活所需,通过对客户的特征标签进行分类管1.智能营销理,节省运营管理成本;同时,方便保险营销2 0 1 9 年中国保险行业智能风控白皮员与特定客户定期沟通联系,建立
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 联邦 学习 保险行业 应用 探索
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。