面向金融异常检测的纵向与横向分区数据隐私保护联邦学习
密码学与安全
2023-10-31 v1 机器学习
摘要
对金融异常证据的有效检测需要拥有多样数据的多个实体（如支付网络系统（PNS）及其合作银行）之间的协作。这些金融机构间的信任受监管与竞争限制。联邦学习（FL）使实体能在数据于各实体间纵向或横向分区时协作训练模型。然而，在真实世界金融异常检测场景中，数据同时被纵向与横向分区，因此无法以即插即用的方式使用现有 FL 方法。我们的新颖方案 PV4FAD 结合全同态加密（HE）、安全多方计算（SMPC）、差分隐私（DP）与随机化技术，以在训练时平衡隐私与精度，并防止模型部署时的推断威胁。我们的方案通过 HE 与 SMPC 提供输入隐私，并通过 DP 提供针对推断时攻击的输出隐私。具体而言，我们表明在诚实但好奇威胁模型下，银行无法获知有关 PNS 交易的任何敏感特征，且 PNS 无法获知有关银行数据集的任何信息而仅学习预测标签。我们还开发并分析了用于在推断时保护输出隐私的 DP 机制。我们的方案通过显著降低各银行噪声水平同时满足分布式 DP，生成高效用模型。为确保高精度，我们的方法产出集成模型，特别地，随机森林。这使我们能利用集成已知的特性以降低方差并提升精度。我们的方案在美国隐私增强技术（PETs）奖挑战赛第一阶段获二等奖。
引用
@article{arxiv.2310.19304,
title = {Privacy-Preserving Federated Learning over Vertically and Horizontally Partitioned Data for Financial Anomaly Detection},
author = {Swanand Ravindra Kadhe and Heiko Ludwig and Nathalie Baracaldo and Alan King and Yi Zhou and Keith Houck and Ambrish Rawat and Mark Purcell and Naoise Holohan and Mikio Takeuchi and Ryo Kawahara and Nir Drucker and Hayim Shaul and Eyal Kushnir and Omri Soceanu},
journal= {arXiv preprint arXiv:2310.19304},
year = {2023}
}
备注
Prize Winner in the U.S. Privacy Enhancing Technologies (PETs) Prize Challenge