分布式欺诈预防系统中的本地差分隐私嵌入模型
密码学与安全
2024-01-08 v1 机器学习
摘要
全球金融犯罪活动推动了对欺诈预防机器学习解决方案的需求。然而，预防系统通常孤立地服务于金融机构，由于担心无意泄露和对抗性攻击，数据共享的规定寥寥无几。金融领域的协作学习进展罕见，很难找到源自隐私保护数据处理系统的现实世界见解。在本文中，我们提出了一种从隐私角度设计的用于欺诈预防的协作深度学习框架，并在近期的 PETs Prize Challenges 中获奖。我们利用变长交易序列的潜在嵌入表示，结合本地差分隐私（local differential privacy），构建了一种数据发布机制，能够安全地为外部托管的欺诈和异常检测模型提供信息。我们在由大型支付网络捐赠的两个分布式数据集上评估了我们的贡献，并展示了对流行推理时攻击的鲁棒性，以及与其他应用领域已发表工作类似的效用 - 隐私权衡。
引用
@article{arxiv.2401.02450,
title = {Locally Differentially Private Embedding Models in Distributed Fraud Prevention Systems},
author = {Iker Perez and Jason Wong and Piotr Skalski and Stuart Burrell and Richard Mortier and Derek McAuley and David Sutton},
journal= {arXiv preprint arXiv:2401.02450},
year = {2024}
}