面向金融犯罪检测的隐私保护混合联邦学习框架
机器学习
2023-04-20 v3
摘要
近十年来，公共和私营部门的金融犯罪激增，2022年金融诈骗给金融机构造成的平均损失达1.02亿美元。建立打击金融犯罪的机制是一项迫切任务，需要多机构深度协作，然而由于分布式金融数据的隐私和安全要求，这种协作带来了重大技术挑战。例如，考虑现代支付网络系统，其每天可在大量全球机构间产生数百万笔交易。训练欺诈交易检测模型不仅需要安全的交易，还需要相应银行系统中每笔交易涉及方的私人账户活动。样本和特征的分布式特性使得大多数现有学习系统无法直接用于该数据挖掘任务。在本文中，我们集体应对这些挑战，提出一种混合联邦学习系统，为金融犯罪检测提供安全且隐私感知的学习与推理。我们进行了广泛的实证研究，以评估所提框架的检测性能和隐私保护能力，并评估其针对协作学习常见恶意攻击的鲁棒性。我们在 https://github.com/illidanlab/HyFL 发布了源代码。
引用
@article{arxiv.2302.03654,
title = {A Privacy-Preserving Hybrid Federated Learning Framework for Financial Crime Detection},
author = {Haobo Zhang and Junyuan Hong and Fan Dong and Steve Drew and Liangjie Xue and Jiayu Zhou},
journal= {arXiv preprint arXiv:2302.03654},
year = {2023}
}
备注
PETs prize challenge version