FedAugSec: ein föderiertes Lernframework mit Datenaugmentation und selektiver Verschlüsselung zur Erkennung von Finanzbetrug

Föderiertes Lernen (FL) hat sich als wichtiges Paradigma für datenschutzfreundliches maschinelles Lernen im Finanzsektor etabliert, das es mehreren Institutionen ermöglicht, Modelle gemeinsam zu trainieren, ohne rohe sensible Daten auszutauschen. In praktischen Einsätzen über Institutionen hinweg steht das föderierte Training jedoch noch vor zwei großen Engpässen: (i) Die Übertragung von Parametern erfordert einen feineren Sicherheitschutz, während die Kommunikationsbelastung unter Kontrolle gehalten wird, und (ii) Verteilungssch shifts, die durch nicht-unabhängige und identisch verteilte (non-IID) Daten verursacht werden, können die Stabilität des globalen Modells untergraben und die Erkennungsleistung beeinträchtigen. Um diese Herausforderungen anzugehen, schlagen wir ein allgemeineres und sicheres föderiertes Lernframework vor. Das vorgeschlagene Framework umfasst einen selektiven Verschlüsselungsmechanismus, der nur sensible Parameter während der Übertragung verschlüsselt, um Kommunikationseffizienz und Sicherheit in Einklang zu bringen. Darüber hinaus integrieren wir Datenaugmentierungsstrategien, um Verteilungsabweichungen zwischen Clients zu mindern und die Trainingsrobustheit und -generalisierung zu verbessern. Experimentelle Ergebnisse zu Datensätzen zur Erkennung von Kreditkartenbetrug zeigen die Durchführbarkeit und Wirksamkeit des vorgeschlagenen Ansatzes.