基于联邦学习与多方计算的隐私保护金融异常检测
密码学与安全
2023-10-10 v1
摘要
当今金融机构（FIs）的主要目标之一是打击欺诈与金融犯罪。为此，FIs 使用基于其客户数据训练的复杂机器学习模型。机器学习模型的输出可针对关键用例进行人工审查，例如判定某笔交易为异常的可能性及后续处置。尽管先进的机器学习模型极大辅助了 FI 的异常检测，但利用其他 FIs 的额外客户数据可显著提升模型性能。然而在实践中，FI 可能未获得客户向其他 FIs 共享其数据的适当同意。此外，数据隐私法规可能禁止 FIs 在某些地区共享客户敏感数据。因此，在操作环境中 FIs 难以合并客户数据以联合训练高精度的异常检测模型。本文描述了一个隐私保护框架，使 FIs 能够联合训练高精度的异常检测模型。该框架将联邦学习概念与高效多方计算以及受差分隐私启发的带噪聚合相结合。所提框架作为获奖方案提交至美/英 PETs 挑战赛的金融犯罪检测赛道。该挑战考虑一种架构：银行持有客户数据并通过中央网络执行交易。我们展示了我们的解决方案使网络能够训练高精度的异常检测模型，同时保护客户数据隐私。实验结果表明，使用所提方法利用额外客户数据使我们的异常检测模型的 AUPRC 从 0.6 提升至 0.7。我们讨论了该框架如何推广至其他类似场景。
引用
@article{arxiv.2310.04546,
title = {Privacy-Preserving Financial Anomaly Detection via Federated Learning & Multi-Party Computation},
author = {Sunpreet Arora and Andrew Beams and Panagiotis Chatzigiannis and Sebastian Meiser and Karan Patel and Srinivasan Raghuraman and Peter Rindal and Harshal Shah and Yizhen Wang and Yuhang Wu and Hao Yang and Mahdi Zamani},
journal= {arXiv preprint arXiv:2310.04546},
year = {2023}
}
备注
12 pages