近年来，人工智能正从“感知智能”走向“认知智能”，在这一发展过程中，数据和知识是两个重要的关键元素，处理大数据和处理多重知识，形成了人工智能发展的两个核心技术。其中，隐私计算能保障数据在流通与融合过程中的“可用不可见”，知识图谱则提供了一种更好地组织、管理和理解互联网海量信息的能力。隐私计算与知识图谱的技术融合，正成为推动“认知智能”发展的重要驱动力之一，同盾科技面向下一代人工智能，持续加大技术创新，探索基于知识联邦的知识推理，助力提升多个领域的决策效率。
同盾科技人工智能研究院算法专家Doris表示，人工智能从感知阶段发展到认知阶段，机器除了具备模仿人的视觉、听觉、触觉等感知能力之外，还需要具备认知能力，模拟人的思维方式和知识结构进行思考，因此需要一个强大的底层知识网络作为支撑，知识图谱正是支撑机器实现认知智能的重要基石。
“知识图谱通过使用各种图模型，从图特征数据以及关系结构中挖掘出有价值的信息，相比传统深度学习方法，图学习建模相对能利用更多的关系信息，从而得到更优的模型效果，同时更具有可解释性。”
但是，目前知识图谱的应用大都是基于单一完整图谱的理想状态进行设计，然而在实际应用场景中，构成知识图谱的知识往往散落在不同的机构或个人手中，形成一个个数据孤岛。如果仅基于自身数据构建来构建图谱，由于数据量原因，推理准确率存在瓶颈。同时，出于自身利益和数据合规性的考虑，各机构难以直接通过数据共享的形式，将数据集中起来形成完整的知识图谱，进而进行推理。
Doris介绍，同盾在隐私计算领域围绕自主研发的知识联邦理论框架，构建了一整套技术产品体系。这种情形下，同盾知识联邦技术可以有效赋能“知识图谱”，使其发挥更大的效用，具体的方案如下：
基于知识联邦的知识推理方法
· 知识抽象表示：各个机构组织，在日常运营过程中会产生各种各样的知识，组合构建为知识图谱。通过图神经网络算法，可以把图节点特征及相关结构信息，抽象表示为低维向量。见上图左半部分；
· 知识联邦融合：各个参与方依据自身知识，经过知识编码，形成对相同实体的各自低维向量表示。第三方接收各参与方抽象知识，进行联邦融合，得到综合后的向量表示。第三方获取的抽象知识不包含敏感数据，也不可反推出各个参与方的图谱原貌。见上图右半部分。
· 知识联邦推理：根据任务不同，可以选择不同的推理方式。对于节点分类任务，得到综合后的向量表示，可直接激活函数得到最终的节点类别。
“同盾把各参与方连接起来形成知识联邦，协同进行知识推理，从而弥补现有隐私计算技术对于非结构化数据的处理能力的不足；同时，在训练与推理中，只传输抽象后的知识表示向量，保证各参与方数据安全及隐私”，Doris表示。经实验验证，知识联邦+知识图谱推理方法协同，分类准确率远超单节点准确率，接近集中化分类准确率。
据悉，同盾的这一技术创新——“基于知识联邦和图网络的推理方法、系统、设备及介质”，已获得国家知识产权局颁发的发明专利授权，并在多领域得到应用。
以金融反洗钱为例，金融机构需要挖掘出客户之间的关联信息和推导资金轨迹关系，判断关联账户之间是否存在交易链路的闭环。知识图谱技术可以显示出已知关系，揭示隐藏的联系、网络和集群，有效地建立资金流动轨迹和参与洗钱活动的实体关系网络；但对于金融机构而言，有限的关联数据会导致关联关系往往在关键的节点断开，从而无法最大化图的知识反馈，很多闭环信息也就无从挖掘，效果难以满足要求。
而同盾人工智能研究院提出的解决方案，则可以在保护数据隐私安全基础上，利用多方图网络数据完成协同建模，通过提升图数据的节点边关系结构，金融机构能够分配更多的时间和资源来审查更高的风险警报，大幅降低了反洗钱的挖掘时间和成本投入，并且通过快速实时的风险提示，在确保审核质量的前提下，降低遗漏高风险行为的风险。
随着技术的不断突破，数据与知识双驱动已成为AI发展的重要趋势，作为深耕决策智能领域的AI企业，同盾以人工智能研究院为载体，持续加大研发投入。目前，同盾面向下一代可信AI平台已提出了完整的理论体系，并成为国内首家在隐私计算领域构建系统产品架构和完整生态体系的企业，通过隐私计算和知识图谱协同的这一技术创新，同盾也将为可信AI的发展提供更多解决方案，为提升金融风险管理、业务安全、智慧政务等多领域的数字化做出贡献。
