论文2024/090
星光：保护隐私的联合学习以增强金融欺诈检测
艾丁·阿巴迪
，伦敦大学学院
布拉德利·道尔、Privitar
弗朗西斯科·基尼，枢密院
基伦·吉纳马尔、Privitar
萨西·库马尔·穆拉孔达、Privitar
杰克·利德尔、Privitar
保罗·梅勒、Privitar
史蒂文·默多克，伦敦大学学院
穆罕默德·纳赛里、花卉实验室
赫克托页、Privitar
乔治·西奥多拉科普洛斯，加的夫大学
苏珊·韦勒、Privitar
摘要
联合学习（FL）是一种数据智能化方法，能够利用本地数据跨不同客户进行协作模型培训，避免直接数据交换。然而，用于识别欺诈性金融交易的最新FL解决方案存在以下局限性。它们（1）缺乏正式的安全定义和证据，（2）假设金融机构事先冻结可疑客户的帐户（限制解决方案的采用），（3）规模很小，涉及计算成本很高的模幂运算（其中$n$是金融机构的总数）或者效率很低的全同态加密，（4）假设各方已经完成了身份对齐阶段，因此将其排除在实现、性能评估和安全分析之外，（5）努力抵制客户退出。这项工作介绍了Starlit，一种新型的可扩展隐私保护FL机制，它克服了这些限制。它具有多种应用，例如增强金融欺诈检测、减轻恐怖主义和增强数字健康。我们实施了Starlit，并使用来自全球金融交易中关键参与者的合成数据进行了全面的绩效分析。评估表明Starlit的可扩展性、效率和准确性。
BibTeX公司
@其他{加密打印：2024/090，author={艾丁·阿巴迪（Aydin Abadi）、布拉德利·道尔（Bradley Doyle）、弗朗西斯科·基尼（Francesco Gini）、基伦·吉纳马尔（Kieron Guinamard）、萨西·库马尔·穆拉孔达（Sasi Kumar Murakonda）、杰克·利德尔（Jack Liddell）、保罗·梅洛（Paul Mellor）、史蒂文·默多克（，title={Starlit:保护隐私的联合学习以增强金融欺诈检测}，howpublished={Cryptology ePrint Archive，论文2024/090}，年份={2024}，注释={\url{https://eprint.iacr.org/2024/090}},url={https://eprint.iacr.org/2024/090}}
