随着技术的进步和发展,银行金融业不再仅仅局限于向大型用户提供服务,面对私人的金融服务也逐渐成为重要业务,例如,向用户提供贷款和向用户推荐理财产品等。这些多样化的信用卡业务是银行的基础业务之一,它涵盖了信用卡的发放审批、信用贷款的审查和追缴等多个业务环节,关系到用户和银行双方的利益。因此,构建基于多方参与的信用卡风险评估模型,从而更加精准的刻画用户特征,进而规避用户风险,对银行业务来说是重中之重。然而由于道德、法律等多方面原因,一些数据提供方并不能暴露用户数据,使得数据无法流通,从而产生了“数据孤岛”问题。联邦学习（Federated Learning,FL）为隐私保护的信用卡风险评估问题提供了新解决方案,能在不暴露用户数据隐私的前提下,解决“数据孤岛”问题。但是,现有的联邦学习算法大多基于诚实参与方假设,即:联邦学习的参与方都会提供自身的真实数据。然而,在真实生产环境中不能忽视存在数据重复等问题的可能性。此时,则无法保证多参与方所提供数据的可用性。因此,为解决上述问题,本文在纵向联邦学习的框架内,提出了一种基于多视角学习和私有特征提取的信用卡风险评估模型FL-SIMV（Specific Information extraction And Multi-View Training For Vertical Federated Learning）。主要研究内容和成果如下:1)原始信用卡客户数据存在数据量大、信息杂乱等特点,本文通过特征工程技术对原始数据进行了清洗,随后使用数据可视化技术对数据进行预处理,从而减小数据的噪声,增加数据的光滑程度。2)针对多方参与的信用卡风险评估问题,本文改进了现有方法,提出了对多方数据进行共享空间挖掘和私有特征提取的联邦学习算法:本文将多视角学习与联邦学习相结合,将参与训练的数据分别输入不同的神经网络:其中一个网络进行共享子空间挖掘,得到低冗余和低噪声的共享特征表示;另一个网络进行私有特征提取。两个神经网络进行协同训练,以达到最优的用户特征表示。在该模型的训练过程中,被动参与方只需向主动参与方提供数据中间层信息,使得主动参与方无法获知确切用户信息,从而保证了客户数据的隐私安全。3)针对联邦学习中的数据可用性问题,本文在模型训练中通过数据正交化查找出重复数据,结合点积注意力机制提出了基于特征预测的数据生成方法:通过将已有数据输入点积注意力模型并最小化损失函数来生成缺失数据。并通过后续微调模型参数,来提高模型的精准度,使得模型能够学到更精准的信息,保证数据的可用性。4)为了验证模型的有效性,本文在多个公开信用卡数据集上进行了多组对比实验,实验结果表明,本文提出的模型能在保证数据安全的基础上,在相关指标获得更优的效果。综上所述,本文引入了联邦学习来解决信用卡风险评估问题中的“数据孤岛”难题,针对现有研究模型算法效果不足的问题使用子空间学习的思想来提高算法效果。面对引入联邦学习后带来的数据可用性问题,本文使用数据正交化和点积注意力机制,提出了基于特征预测的数据生成方法。同时本文还通过实验验证了本文提出的算法模型的有效性,为信用卡风险评估问题提供了一个新的解决方案。