HybridFL：面向金融犯罪检测的联邦学习方法
机器学习
2026-02-24 v1 人工智能
摘要
联邦学习（FL）是一种隐私保护的机器学习范式，使多个方可在不共享原始数据的情况下协同训练模型。虽然标准 FL 通常只处理水平或垂直数据划分，但许多真实场景呈现复杂的混合分布。本文提出混合联邦学习（HybridFL）以解决数据在用户之间水平划分和特征集之间垂直划分的情形。在金融犯罪检测背景下，交易方持有交易级属性，多个银行维护私有账户级特征。通过集成水平聚合和垂直特征融合，该架构在严格保持数据局部性的前提下实现联合学习。在 AMLSim 和 SWIFT 数据集上的实验表明，HybridFL 显著优于仅基于交易的本地模型，性能与集中式基准相当。
引用
@article{arxiv.2602.19207,
title = {HybridFL: A Federated Learning Approach for Financial Crime Detection},
author = {Afsana Khan and Marijn ten Thij and Guangzhi Tang and Anna Wilbik},
journal= {arXiv preprint arXiv:2602.19207},
year = {2026}
}