Fin-Fed-OD：面向金融表格数据的联邦异常检测
机器学习
2024-04-24 v1 人工智能
摘要
由于动态且通常未知的异常分布，现实场景中的异常检测面临诸多挑战，需要一种在开放世界假设下运行的稳健方法。在实际应用环境中，这一挑战更加严峻，因为模型由私营组织部署，出于隐私和竞争考虑，禁止数据共享。尽管存在潜在收益，但跨组织共享异常信息仍受到限制。本文探讨了如何在不损害数据机密性的前提下增强各组织内部的异常检测。我们提出了一种利用表示学习和联邦学习技术的新方法，以改进对未知异常的检测。具体而言，我们的方法利用从客户端自有的自编码器获得的潜在表示来细化内点的决策边界。值得注意的是，各组织之间仅共享模型参数，从而保护了数据隐私。我们在两个标准金融表格数据集和一个用于分布式环境下异常检测的图像数据集上评估了所提方法的有效性。结果表明，在推理阶段，各组织模型对未知异常值的分类能力有显著提升。
引用
@article{arxiv.2404.14933,
title = {Fin-Fed-OD: Federated Outlier Detection on Financial Tabular Data},
author = {Dayananda Herurkar and Sebastian Palacio and Ahmed Anwar and Joern Hees and Andreas Dengel},
journal= {arXiv preprint arXiv:2404.14933},
year = {2024}
}