Finanzbetrug ist ein Problem zunehmender Komplexität, da betrügerische Aktivitäten mit der digitalen Transformation, dem Aufstieg der Echtzeit-Zahlungen und dem schnellen Wachstum der Online-Finanzdienstleistungen einhergehen. Um diesen Bedrohungen entgegenzuwirken, nutzen Unternehmen fortschrittliche Analytik und Maschinenlernmodelle, die auffällige Muster in riesigen Mengen von Transaktions- und Verhaltensdaten identifizieren können. Die Finanzdaten, einschließlich personenbezogener Daten (PII) und Transaktionshistorien, sind jedoch sensibel und werfen ernsthafte Datenschutzfragen auf. Diese Risiken werden durch robuste regulatorische Umgebungen wie die DSGVO, CCPA und weltweit geltende Gesetze zur Datenlokalisierung verstärkt, die Organisationen zu strengen Anforderungen an die Erfassung, den Austausch und die Verarbeitung von Kundendaten verpflichten können. Folglich ist die Nachfrage nach sicheren Datenpipelines, die den Datenschutz in der Betrugsanalyse nicht verletzen, höher denn je. In diesem Papier präsentieren wir einen allgemeinen Rahmen zum Bau von datenschutzfreundlichen Datenpipelines im Kontext von Systemen zur Erkennung von Finanzbetrug. Diese Architektur ist darauf ausgelegt, den Datenschutz, die Sicherheit und die Einhaltung gesetzlicher Vorschriften in allen Phasen der Pipeline zu gewährleisten, von der Datenerfassung und -transformation bis hin zum Training von Maschinenlernmodellen und der Generierung von Echtzeit-Betrugswarnungen. Unsere Lösung konsolidiert mehrere wesentliche datenschutzfördernde Technologien (PET), einschließlich differenzieller Privatsphäre, homomorpher Verschlüsselung, föderiertem Lernen und sicherer Mehrparteienberechnung, die kollektive Analysen ermöglicht, anstatt rohe oder sensible Daten mit unbefugten Entitäten zu teilen.
Ravi Kiran Alluri (Sat,) hat diese Frage untersucht.