FedGraph-VASP：面向跨机构反洗钱的具有后量子安全性的隐私保护联邦图学习
机器学习
2026-01-27 v1 密码学与安全
社会与信息网络
摘要
虚拟资产服务提供商（VASPs）在检测跨机构洗钱时面临着监管合规与用户隐私之间的根本矛盾。现有方法要么需要共享敏感交易数据，要么在孤立状态下运行，导致关键的跨链洗钱模式未被检测到。我们提出了FedGraph-VASP，一个隐私保护的联邦图学习框架，能够在不暴露原始用户数据的情况下实现协作反洗钱（AML）。我们的关键贡献是边界嵌入交换协议，它仅共享边界账户的压缩、不可逆图神经网络表示。这些交换使用后量子密码学进行保护，具体而言是NIST标准化的Kyber-512密钥封装机制结合AES-256-GCM认证加密。在具有现实Louvain划分的Elliptic Bitcoin数据集上的实验表明，FedGraph-VASP实现了0.508的F1分数，在二元欺诈检测上比最先进的生成式基线FedSage+（F1 = 0.453）高出12.1%。我们进一步表明，在生成式插补导致性能下降的低连通性设置下具有鲁棒性，而在高连通性机制下接近集中式性能（F1 = 0.620）。我们还在以太坊欺诈检测数据集上评估了泛化能力，其中FedGraph-VASP（F1 = 0.635）在稀疏跨孤岛连通性下效果较差，而FedSage+表现出色（F1 = 0.855），甚至优于本地训练（F1 = 0.785）。这些结果突显了依赖于拓扑的权衡：嵌入交换有利于连通的交易图，而生成式插补在高度模块化的稀疏图中可能占主导地位。隐私审计表明嵌入仅部分可逆（R^2 = 0.32），限制了精确的特征恢复。
引用
@article{arxiv.2601.17935,
title = {FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering},
author = {Daniel Commey and Matilda Nkoom and Yousef Alsenani and Sena G. Hounsinou and Garth V. Crosby},
journal= {arXiv preprint arXiv:2601.17935},
year = {2026}
}