論文の概要: Transparency and Privacy: The Role of Explainable AI and Federated
Learning in Financial Fraud Detection
- arxiv url: http://arxiv.org/abs/2312.13334v1
- Date: Wed, 20 Dec 2023 18:26:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-22 17:02:58.424276
- Title: Transparency and Privacy: The Role of Explainable AI and Federated
Learning in Financial Fraud Detection
- Title(参考訳): 透明性とプライバシ:金融詐欺検出における説明可能なAIとフェデレーション学習の役割
- Authors: Tomisin Awosika, Raj Mani Shukla, and Bernardi Pranggono
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.9831489366502302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fraudulent transactions and how to detect them remain a significant problem
for financial institutions around the world. The need for advanced fraud
detection systems to safeguard assets and maintain customer trust is paramount
for financial institutions, but some factors make the development of effective
and efficient fraud detection systems a challenge. One of such factors is the
fact that fraudulent transactions are rare and that many transaction datasets
are imbalanced; that is, there are fewer significant samples of fraudulent
transactions than legitimate ones. This data imbalance can affect the
performance or reliability of the fraud detection model. Moreover, due to the
data privacy laws that all financial institutions are subject to follow,
sharing customer data to facilitate a higher-performing centralized model is
impossible. Furthermore, the fraud detection technique should be transparent so
that it does not affect the user experience. Hence, this research introduces a
novel approach using Federated Learning (FL) and Explainable AI (XAI) to
address these challenges. FL enables financial institutions to collaboratively
train a model to detect fraudulent transactions without directly sharing
customer data, thereby preserving data privacy and confidentiality. Meanwhile,
the integration of XAI ensures that the predictions made by the model can be
understood and interpreted by human experts, adding a layer of transparency and
trust to the system. Experimental results, based on realistic transaction
datasets, reveal that the FL-based fraud detection system consistently
demonstrates high performance metrics. This study grounds FL's potential as an
effective and privacy-preserving tool in the fight against fraud.
- Abstract(参考訳): 不正取引とその検出方法は、世界中の金融機関にとって重要な問題である。
資産の保護と顧客の信頼を維持するための高度な不正検知システムの必要性は金融機関にとって最重要であるが、有効かつ効率的な不正検出システムの開発が課題となっている要因もある。
このような要因の1つは、不正取引は稀であり、多くのトランザクションデータセットが不均衡であるという事実である。
このデータ不均衡は不正検出モデルの性能や信頼性に影響を与える可能性がある。
さらに、すべての金融機関が従うデータプライバシー法により、より高いパフォーマンスの集中モデルを促進するために顧客データを共有することは不可能である。
さらに,不正検出技術は,ユーザエクスペリエンスに影響を与えないように透明でなければならない。
そこで本研究では,これらの課題に対処するために,Federated Learning (FL) と Explainable AI (XAI) を用いた新しいアプローチを提案する。
FLにより、金融機関は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し、データのプライバシと機密性を保護できる。
一方、XAIの統合により、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が加えられることが保証される。
現実的なトランザクションデータセットをベースとした実験結果から,FLに基づく不正検出システムは高いパフォーマンス指標を一貫して示していることがわかった。
本研究は、flが不正との戦いにおける効果的なプライバシー保護ツールとなる可能性を根拠としている。
関連論文リスト
- Evaluating Fairness in Transaction Fraud Models: Fairness Metrics, Bias Audits, and Challenges [3.499319293058353]
アルゴリズムの公正性に関する広範な研究にもかかわらず、不正検出モデルにおけるバイアスの研究には顕著なギャップがある。
これらの課題には、不正データの不均衡の性質と不正保護とサービス品質のトレードオフを考慮に入れた公正度メトリクスの必要性が含まれる。
本稿では,公開合成データセットを用いた取引不正モデルの包括的公正性評価を行う。
論文 参考訳(メタデータ) (2024-09-06T16:08:27Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳(メタデータ) (2024-06-05T20:19:09Z) - Starlit: Privacy-Preserving Federated Learning to Enhance Financial
Fraud Detection [2.436659710491562]
Federated Learning(FL)は、さまざまなクライアントとローカルデータの間で協調的なモデルトレーニングを可能にする、データ最小化のアプローチである。
不正な金融取引を識別するための最先端のFLソリューションは、以下の制限のサブセットを示している。
Starlitは,これらの制限を克服する,スケーラブルなプライバシ保護機構である。
論文 参考訳(メタデータ) (2024-01-19T15:37:11Z) - Privacy-Preserving Financial Anomaly Detection via Federated Learning & Multi-Party Computation [17.314619091307343]
本稿では、金融機関が高精度な異常検出モデルを共同で訓練できるプライバシー保護フレームワークについて述べる。
当社のソリューションは,顧客データのプライバシを保ちながら,高精度な異常検出モデルをトレーニングすることを可能にする。
論文 参考訳(メタデータ) (2023-10-06T19:16:41Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2023-04-21T09:03:18Z) - Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。
このような定式化は準最適解につながると我々は主張する。
我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文 参考訳(メタデータ) (2021-12-08T11:30:53Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - 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) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳(メタデータ) (2020-11-15T17:26:14Z) - A Semi-supervised Graph Attentive Network for Financial Fraud Detection [30.645390612737266]
本稿では,多視点ラベル付きおよびラベルなしデータを不正検出に用いる半教師付き減衰型グラフニューラルネットワークSemiSemiGNNを提案する。
ソーシャルリレーションとユーザ属性を利用することで,2つのタスクにおける最先端手法と比較して精度が向上する。
論文 参考訳(メタデータ) (2020-02-28T10:35:25Z)
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。