在保险业数字化转型中，跨机构数据协作日益重要。例如，保险公司与银行、医疗机构或电信运营商联合建模，以提升欺诈检测、精准定价或健康风险评估能力。然而，这类协作涉及客户个人标识信息（如姓名、身份证号、地址等），如何在共享数据价值的同时，严格保护客户隐私，尤其是避免泄露“哪些客户在各方数据集中共同出现”（即交集成员身份），成为合规与商业伦理的双重挑战。
传统方法通常采用隐私保护集合交集（PSI），它仅暴露各方共有的客户标识，其余信息保密。但PSI的一个致命缺陷是直接暴露交集——若银行与某癌症诊所进行PSI，银行得知某客户在交集中，便可推断该客户可能患有重病，进而可能拒绝其贷款申请。这种敏感关系的泄露，不仅侵犯客户隐私，还可能引发歧视性定价或核保纠纷。
为克服这一风险，论文提出Sherpa.ai多方私有集合并集（PSU）协议，专为纵向联邦学习设计。其核心思想是：对齐时使用所有客户标识的并集，而非交集。各方最终只知并集（即所有出现过的客户），但无法区分某客户是仅在一方出现，还是多方共享。这就彻底隐藏了“谁与谁有共同客户”这一敏感信息。
【原文下载，请扫码加入知识库】
该协议具有三项对保险业极具价值的特性：
-
多方扩展与低通信开销：传统PSU多限于两方，该协议自然推广至任意数量参与方（如多家保险公司、再保人、数据服务商），且通信轮次少，适合大规模保单数据。
-
支持噪声匹配（容错对齐）：现实中的客户标识常含拼写错误、格式差异（如“John Smith”与“Smith, John”）、地址缩写等。协议引入n-gram分词与哈希，并设计了“无序匹配”变体，允许按阈值比较加密后的n-gram集合，即使标识略有差异也能正确对齐。这在保险场景中至关重要——不同机构录入的客户名、地址往往不一致，传统精确匹配会导致大量漏连。
-
后续可接合成数据补全：对齐到并集后，对缺失的特征（如某方没有某客户的标签），各方使用合成数据生成模型（如高斯Copula或CTGAN）填充，从而构建完整的训练数据集。这保证了后续联邦学习模型（如欺诈检测、寿险核保模型）可在不泄露原始数据的前提下协同训练。
从风险管控角度看，该协议在半诚实模型下被证明安全，基于Diffie-Hellman交换和二次剩余群，依赖判定性Diffie-Hellman难题，计算开销主要为模幂运算，且可并行化。Bloom filter的引入进一步压缩存储，提升大规模部署效率。
对保险实务的启示：该技术使保险公司能够与医院共建健康险定价模型，而无需医院暴露患者名单；可与银行共建反欺诈系统，而无需银行知晓客户的保单状态；可与多家同业联合建立行业风险池，而不泄露各自的客户重合度。这为保险科技释放跨域数据价值提供了合规路径，同时规避了反垄断与数据安全法的风险。
最后，该PSU协议与Sherpa.ai的盲垂直联邦学习（SBVFL）框架结合，可进一步减少通信、增强标签隐私，形成端到端的隐私保护解决方案。未来，融入差分隐私或基于渗透测试的模拟数据，有望在极端不对称场景下提供额外保护。
综上，这篇论文为保险业的多方数据协作提供了一套数学严谨、工程可行的隐私保护对齐工具，使“数据可用不可见”的愿景在保险核保、定价、反欺诈等核心环节落地成为可能。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6418.html
微信扫一扫 
