PCAL:基于对抗学习的隐私保护智能信用风险建模框架
密码学与安全
2020-10-07 v1 计算机视觉与模式识别
机器学习
摘要
信用风险建模已渗透到我们的日常生活中。大多数银行和金融公司使用该技术对其客户的信任度进行建模。尽管机器学习在该领域中的应用日益增多,但考虑到每年由未授权黑客引起的数十起数据泄露事件,以及(可能更多的)授权方对信息的误用/滥用,由此产生的大规模用户私人信息收集重新引发了隐私争议。为解决这些关键问题,本文提出了一种基于对抗学习的隐私保护信用风险建模框架(PCAL)。PCAL 旨在通过(迭代地)在隐私风险损失与面向效用的损失之间进行权衡,掩盖原始数据集中的私人信息,同时保留目标预测任务性能的重要效用信息。PCAL 在效用和隐私保护两方面与现成方案进行了比较。结果表明,PCAL 能够从用户数据中学习到有效的、无隐私的表示,为面向信用风险分析的隐私保护机器学习提供了坚实基础。
引用
@article{arxiv.2010.02529,
title = {PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning},
author = {Yuli Zheng and Zhenyu Wu and Ye Yuan and Tianlong Chen and Zhangyang Wang},
journal= {arXiv preprint arXiv:2010.02529},
year = {2020}
}