在很多集团型企业、连锁经营企业的审计项目中，不同分子公司的财务数据分散存储在不同地域的本地服务器中，出于数据安全和内部管理的要求，所有子公司的原始数据无法全部集中上传到集团总部进行统一审计，传统模式下审计人员需要奔赴不同的办公地点现场调取数据，不仅审计成本居高不下，还存在跨区域数据传输过程中的泄露风险。中煜会计师研发的基于联邦学习的跨主体审计数据协同计算技术，实现了“数据不出域、特征可交互、模型共训练”的全新审计协作模式，在不获取任何子公司原始底层数据的前提下，完成全集团范围的审计数据分析，将跨区域集团审计的外勤差旅成本降低65%，审计整体周期缩短40%。
这套技术的核心架构采用横向联邦学习部署模式，中煜会计师作为协调方搭建统一的联邦计算服务平台，集团总部和所有下属子公司各自在本地部署联邦学习客户端，整个计算过程分为三个阶段有序推进。第一阶段是审计特征对齐阶段，协调方平台在不获取任何原始数据的前提下，通过加密样本对齐技术，在所有参与方的本地数据中识别出共有的审计数据特征维度，比如会计科目维度、交易对手维度、凭证日期维度等，确定后续协同计算的统一数据维度标准，全程不会将任何一方的原始数据传输到外部。第二阶段是分布式训练阶段，协调方向所有参与方下发统一的审计分析模型，各个子公司的客户端在本地利用自己的原始数据完成模型训练，仅将训练过程中生成的加密梯度参数上传到协调方平台，平台对所有子公司上传的加密梯度进行聚合计算后，再将更新后的全局模型下发回各个客户端，反复迭代直到模型收敛。第三阶段是结果汇总阶段，各个子公司的客户端基于最终的全局模型在本地完成异常交易识别、风险数据筛查，仅将最终的审计异常结果加密上传到协调方，由审计团队进行统一的后续核查处理。
针对审计场景中最常见的集团内部关联交易核对需求，这套联邦协同计算技术展现出了极强的适配性：传统模式下集团总部需要收集所有子公司的全部往来明细账，逐一比对内部交易的双向记录，不仅数据收集难度大，还很容易出现数据遗漏。使用联邦学习技术后，所有子公司的往来明细账始终存储在本地，系统通过加密的隐私求交算法，自动在后台比对不同子公司之间的内部交易记录，快速识别出集团内部双方记账金额不一致、单方挂账的异常关联交易，整个过程中任何一方都看不到其他方的完整往来明细，既完成了关联交易核对的审计目标，又充分保护了各子公司的数据隐私安全。
某拥有27家跨区域子公司的大型商贸集团引入中煜会计师的这套联邦协同审计技术后，原本需要12名审计人员花费2个月时间奔赴各地现场调取数据的集团审计项目，仅用6名审计人员在总部办公室就完成了全集团的跨主体数据分析工作，提前识别出19笔此前从未发现的集团内部异常往来交易，涉及金额超过1.3亿元，不仅大幅降低了审计项目成本，还显著提升了集团整体的关联交易治理水平。这套技术为解决跨主体、跨区域审计中的数据孤岛难题，提供了一条完全符合数据安全合规要求的全新技术路径。
