論文の概要: The Double-Edged Sword of Big Data and Information Technology for the Disadvantaged: A Cautionary Tale from Open Banking

• arxiv url: http://arxiv.org/abs/2307.13408v2
• Date: Tue, 1 Aug 2023 10:46:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 16:57:55.242385
• Title: The Double-Edged Sword of Big Data and Information Technology for the Disadvantaged: A Cautionary Tale from Open Banking
• Title（参考訳）: ビッグデータと情報技術の両面剣--オープンバンキングの注意点
• Authors: Savina Dine Kim and Galina Andreeva and Michael Rovatsos
• Abstract要約: オープンバンキングは金融サービスに革命を起こし、顧客の獲得、管理、維持、リスクアセスメントの新しい機会を開いた。 新型コロナウイルスとインフレーション上昇による世界的な懸念である金融脆弱性(FV)の次元について検討する。 英国フィンテックの貸し手によるユニークなデータセットを用いて、安全な使用法を同時に警告しながら、きめ細かいトランザクションデータのパワーを実証する。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research article analyses and demonstrates the hidden implications for fairness of seemingly neutral data coupled with powerful technology, such as machine learning (ML), using Open Banking as an example. Open Banking has ignited a revolution in financial services, opening new opportunities for customer acquisition, management, retention, and risk assessment. However, the granularity of transaction data holds potential for harm where unnoticed proxies for sensitive and prohibited characteristics may lead to indirect discrimination. Against this backdrop, we investigate the dimensions of financial vulnerability (FV), a global concern resulting from COVID-19 and rising inflation. Specifically, we look to understand the behavioral elements leading up to FV and its impact on at-risk, disadvantaged groups through the lens of fair interpretation. Using a unique dataset from a UK FinTech lender, we demonstrate the power of fine-grained transaction data while simultaneously cautioning its safe usage. Three ML classifiers are compared in predicting the likelihood of FV, and groups exhibiting different magnitudes and forms of FV are identified via clustering to highlight the effects of feature combination. Our results indicate that engineered features of financial behavior can be predictive of omitted personal information, particularly sensitive or protected characteristics, shedding light on the hidden dangers of Open Banking data. We discuss the implications and conclude fairness via unawareness is ineffective in this new technological environment.
• Abstract（参考訳）: 本稿では、オープンバンキングを例として、一見中立なデータと機械学習(ML)のような強力な技術を組み合わせた公正性の隠れた含意を分析し、実証する。 オープンバンキングは金融サービスの革命に火をつけ、顧客獲得、管理、保持、リスク評価の新たな機会を開く。 しかし、トランザクションデータの粒度は、機密性や禁止された特性に対する未通知プロキシが間接的な差別につながる可能性がある場合の害の可能性を秘めている。 この背景から、新型コロナウイルスとインフレの増大による世界的な懸念である金融脆弱性(FV)の次元を調査する。 具体的には、公正な解釈のレンズを通して、FVにつながる行動要素とそのリスク、不利なグループへの影響を理解することを目的とする。 英国フィンテック銀行のユニークなデータセットを用いて、安全な使用法を同時に警告しながら、きめ細かいトランザクションデータのパワーを実証する。 FVの可能性を予測するために3つのML分類器を比較し、クラスタリングにより異なる大きさとFVの形式を示すグループを特定し、特徴組合せの効果を強調する。 以上の結果から,金融行動の工学的特徴は,個人情報の省略,特に機密性や保護特性を予測し,オープンバンキングデータの隠れた危険性に光を当てることが示唆された。 我々は,この新たな技術環境において,無意識による公平性は効果がないと結論づける。

関連論文リスト

• SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning [19.774363067972725]
  グラフベースの不正検出は、スパムレビューや悪意のあるアカウント検出など、現代の業界シナリオで広く適用されている。 これまでの研究は、GNNExplainerのようなポストホックな説明手法を使って、特定のインスタンスの説明を作成しようとしてきた。 グラフに基づく自己説明可能な不正検出フレームワークSEFraudを提案する。
  論文  参考訳（メタデータ） (2024-06-17T10:18:53Z)
• Transparency and Privacy: The Role of Explainable AI and Federated Learning in Financial Fraud Detection [0.9831489366502302]
  本研究は,これらの課題に対処するために,FL(Federated Learning)とXAI(Explainable AI)を用いた新しいアプローチを提案する。 FLは、金融機関が顧客データを直接共有することなく、不正取引を検出するモデルを協調的に訓練することを可能にする。 XAIは、モデルによってなされた予測が人間の専門家によって理解され解釈され、システムに透明性と信頼のレイヤを追加することを保証します。
  論文  参考訳（メタデータ） (2023-12-20T18:26:59Z)
• Privacy-Preserving Federated Learning over Vertically and Horizontally Partitioned Data for Financial Anomaly Detection [11.167661320589488]
  実世界の金融異常検出シナリオでは、データは垂直と水平の両方に分割される。 我々のソリューションは、完全同型暗号化(HE)、セキュアマルチパーティ計算(SMPC)、微分プライバシー(DP)を組み合わせる。 私たちのソリューションは、米国プライバシ・エンハンシング・テクノロジーズ(PET)賞チャレンジの第1フェーズで2位を獲得しました。
  論文  参考訳（メタデータ） (2023-10-30T06:51:33Z)
• Heterogeneous Information Network based Default Analysis on Banking Micro and Small Enterprise Users [18.32345474014549]
  バンキングデータのグラフを考察し,その目的のために新しいHIDAMモデルを提案する。 MSEの特徴表現を強化するため,メタパスを通してインタラクティブな情報を抽出し,経路情報を完全に活用する。 実験結果から,HIDAMが現実の銀行データにおいて最先端の競争相手を上回ることが確認された。
  論文  参考訳（メタデータ） (2022-04-24T11:26:12Z)
• Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
  反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。 本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
  論文  参考訳（メタデータ） (2022-01-11T21:31:18Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• Trustworthy Transparency by Design [57.67333075002697]
  本稿では,ユーザ信頼とエクスペリエンスに関する研究を取り入れた,ソフトウェア設計のための透明性フレームワークを提案する。 私たちのフレームワークは、その設計に透明性を取り入れたソフトウェアの開発を可能にします。
  論文  参考訳（メタデータ） (2021-03-19T12:34:01Z)
• Curse or Redemption? How Data Heterogeneity Affects the Robustness of Federated Learning [51.15273664903583]
  データの不均一性は、フェデレートラーニングにおける重要な特徴の1つとして認識されているが、しばしば敵対的攻撃に対する堅牢性のレンズで見過ごされる。 本稿では, 複合学習におけるバックドア攻撃の影響を, 総合的な実験を通じて評価し, 理解することを目的とした。
  論文  参考訳（メタデータ） (2021-02-01T06:06:21Z)
• Explainable Deep Behavioral Sequence Clustering for Transaction Fraud Detection [3.9505606841402607]
  クラスタリングのためのディープラーニングに基づく行動データ表現法(FinDeepBehaviorCluster)を提案し,不正取引を検出する。 動作シーケンスデータを利用するために,クリックストリームデータをイベントシーケンスとして扱い,時間アテンションに基づくBi-LSTMを用いて,教師なしの方法でシーケンス埋め込みを学習し,リスクエキスパートが生成した直感的な特徴と組み合わせてハイブリッドな特徴表現を形成する。 実験の結果,提案するFinDeepBehaviorClusterフレームワークは,ビジネス価値の高い不正取引を捕捉できることがわかった。
  論文  参考訳（メタデータ） (2021-01-12T04:12:18Z)
• Overcoming Failures of Imagination in AI Infused System Development and Deployment [71.9309995623067]
  NeurIPS 2020は研究論文に「潜在的な悪用と失敗の結果」に関するインパクトステートメントを含むよう要求した。 我々は、害の枠組みは文脈に適応し、潜在的な利害関係者、システム余裕、および最も広い意味での害を評価するための実行可能なプロキシを考える必要があると論じている。
  論文  参考訳（メタデータ） (2020-11-26T18:09:52Z)
• Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
  本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。 皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。 また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
  論文  参考訳（メタデータ） (2020-08-26T19:27:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。