模型的归属权验证一直是业界致力于解决的难题，微众银行AI团队是首个在联邦学习中融入这项工作的团队。长远来看，这项工作有利于数据和模型市场的建立和规范。
综合看来，此次陆续发表的3篇联邦学习论文，分别从理论、实践、规模化、工程化等不同的角度，对可信联邦学习进行了全面探索。
可信联邦学习的提出，通过提出端到端安全生命周期的管理、FedCG这种防火墙式的安全方法等一系列技术上的提升，再加入许多软件工程的管理，譬如软件治理、模型追踪等，将联邦学习领域的发展推进了一步。
至此，联邦学习为何能够成为顶会们的香饽饽，也就有了清晰的眉目。
而且对于联邦学习的火热，杨强还这样评价道：
联邦学习的第二阶段，也就是可信联邦学习，从全世界范围来看都是刚刚起步，到处都有学者响应。
但正所谓能用起来的技术才是好技术，那么接下来的一个问题便是：
顶会们的“香饽饽”，正如何改变我们的生活？
正如我们刚才提到的，可信联邦学习需要处理的那些数据，一般都具备较强的独立性、隐私性、安全性。
因此，金融、医疗、物流、政务等场景便成为了联邦学习发挥其实力极佳的“试验田”；尤其是在金融场景中，联邦学习涉足较早。
联邦学习现在应用上的发展态势，用“百花齐放”来形容不足为过。
例如全球科技巨头谷歌，国内外学术机构如卡内基梅隆大学（CMU）、北京邮电大学等名校也在致力于研究联邦学习；在论文全球高被引方面，国外机构谷歌排名第一，而国内机构则是杨强所在的微众银行。
而且与之相关的开源框架也是陆续被提出，例如OpenMined推出的Pysyft、微众银行的FATE和谷歌的TFF框架等等。
从大方向上来看，现在微众银行所使用的可信联邦学习，不单单是能够完成一个项目那么简单，更是能够对项目做一个分析和认证。
在此能力的背后，微众银行所依托的便是全球首个开源的工业级联邦学习框架——FATE（Federated AI Technology Enabler）。
而自2019年开源以来，这个框架也在不断的提升自己的能力。
像刚才我们提到入围的几篇论文，都已经被涵盖了进来，目前已经步入2.0阶段。
具体到实际案例，可信联邦学习在金融行业反欺诈上便起到了很好的作用。
因为在这个过程中所涉及到的数据着实纷繁复杂，包括银行机构、电商、运营商、政务等等。
各方都需要保障自己数据的安全、隐私以及所有权，但交易过程中相互之间又有所交织。
而可信联邦学习就能在保障这个大前提之下，还能做到挖掘金融行为、消费行为、通信行为、社交行为等众多特征。
以及再针对不同细分金融反欺诈业务场景构建专有模型，从而提升金融行业的整体反欺诈能力。
