近日，一站式金融科技服务商天冕科技宣布获得一项名为“用户分类方法、装置、电子设备及可读存储介质”的专利授权。该专利针对联邦学习场景下数据集选择效率低、建模成功率不稳定的行业痛点，创新性地提出了一套智能化数据集推荐机制，通过标签化分类与动态评分算法，显著提升多方联合建模的效率与精准度。这一技术的发布，标志着天冕科技在联邦学习领域的创新能力再获突破。
联邦学习作为一种隐私安全计算技术，允许多方在不共享原始数据的前提下进行联合建模，广泛应用于金融、医疗、电商等领域。然而，传统联邦学习过程中，参与方仅能通过简略的数据描述选择建模数据集，缺乏对数据匹配度的有效评估，往往需反复试错才能确定可用数据，导致建模周期长、资源消耗大。如何快速筛选高价值数据集，成为行业亟需解决的难题。
天冕科技的新专利通过三大技术创新，构建了一套完整的智能推荐体系：
1.多层级标签树管理基于行业背景、数据类型等维度，将联邦成员的数据集划分为金融、医疗、电商等标签，并支持自定义细分标签。标签以树形结构层层嵌套，实现数据集的精细化分类，便于用户快速定位需求。
2.贝叶斯动态评分算法结合历史建模次数、用户反馈评分（1-10分）等数据，通过专利算法计算数据集综合评分，确保建模次数少但效果优的数据集获得公平推荐机会，避免“马太效应”。
3.需求解析与安全协同支持自然语言输入或级联菜单选择目标标签，系统自动匹配高评分数据集，并全程保障数据“不出库”，仅共享加密描述信息，兼顾效率与隐私安全。
该技术已在金融风控、医疗数据分析等场景完成验证。例如，在银行联合风控建模中，系统可自动推荐多家机构的“用户信用数据-逾期记录”标签数据集，建模耗时较大大缩短；在医疗研究场景，跨院方的“患者病理特征”数据集推荐成功率也显著提升，大幅降低试错成本。 作为隐私计算领域的领军企业，天冕科技持续加码技术研发，目前已形成覆盖联邦学习、多方安全计算的全栈产品矩阵。此次新专利的落地，将加速构建开放、高效的联邦学习生态，助力更多企业打破数据孤岛，释放数据要素价值。
