論文の概要: The Role of Federated Learning in Improving Financial Security: A Survey

• arxiv url: http://arxiv.org/abs/2510.14991v1
• Date: Tue, 07 Oct 2025 03:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.429997
• Title: The Role of Federated Learning in Improving Financial Security: A Survey
• Title（参考訳）: 金融安全改善におけるフェデレートラーニングの役割--調査
• Authors: Cade Houston Kennedy, Amr Hilal, Morteza Momeni,
• Abstract要約: Federated Learning (FL)は、生データを共有することなく、組織間でのプライバシ保護、分散モデルトレーニングを提供する。 FLは、IoTエンドポイント上でクロスデバイス学習を使用しながら、銀行間のクロスサイロコラボレーションを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growth of digital financial systems, robust security and privacy have become a concern for financial institutions. Even though traditional machine learning models have shown to be effective in fraud detections, they often compromise user data by requiring centralized access to sensitive information. In IoT-enabled financial endpoints such as ATMs and POS Systems that regularly produce sensitive data that is sent over the network. Federated Learning (FL) offers a privacy-preserving, decentralized model training across institutions without sharing raw data. FL enables cross-silo collaboration among banks while also using cross-device learning on IoT endpoints. This survey explores the role of FL in enhancing financial security and introduces a novel classification of its applications based on regulatory and compliance exposure levels ranging from low-exposure tasks such as collaborative portfolio optimization to high-exposure tasks like real-time fraud detection. Unlike prior surveys, this work reviews FL's practical use within financial systems, discussing its regulatory compliance and recent successes in fraud prevention and blockchain-integrated frameworks. However, FL deployment in finance is not without challenges. Data heterogeneity, adversarial attacks, and regulatory compliance make implementation far from easy. This survey reviews current defense mechanisms and discusses future directions, including blockchain integration, differential privacy, secure multi-party computation, and quantum-secure frameworks. Ultimately, this work aims to be a resource for researchers exploring FL's potential to advance secure, privacy-compliant financial systems.
• Abstract（参考訳）: デジタル金融システムの成長に伴い、堅牢なセキュリティとプライバシが金融機関の懸念となっている。 従来の機械学習モデルは不正検出に有効であることが示されているが、センシティブな情報への集中的なアクセスを要求することで、ユーザデータを侵害することが多い。 IoT対応のATMやPOSシステムのようなファイナンシャルエンドポイントでは、ネットワーク経由で送信される機密データを定期的に生成する。 Federated Learning (FL)は、生データを共有することなく、組織間でのプライバシ保護、分散モデルトレーニングを提供する。 FLは、IoTエンドポイント上でクロスデバイス学習を使用しながら、銀行間のクロスサイロコラボレーションを可能にする。 本調査では,金融セキュリティ向上におけるFLの役割を探求するとともに,協調ポートフォリオ最適化などの低露出タスクから,リアルタイム不正検出などの高露出タスクまで,規制およびコンプライアンス露出レベルに基づく新たなアプリケーション分類を導入する。 以前の調査とは異なり、この研究はFLの金融システムにおける実践的利用をレビューし、規制の遵守と不正防止とブロックチェーン統合フレームワークの最近の成功について議論した。 しかし、金融におけるFLの展開には課題はない。 データの不均一性、敵攻撃、および規制コンプライアンスは、実装をはるかに容易にする。 今回の調査では、ブロックチェーン統合、差分プライバシ、セキュアなマルチパーティ計算、量子セキュアフレームワークなど、現在の防衛メカニズムをレビューし、今後の方向性について論じる。 究極的には、この研究はFLが安全でプライバシーに順応する金融システムを前進させる可能性を探究する研究者のためのリソースとなることを目標としている。

関連論文リスト

• Bridging the Mobile Trust Gap: A Zero Trust Framework for Consumer-Facing Applications [51.56484100374058]
  本稿では,信頼できないユーザ制御環境で動作するモバイルアプリケーションを対象としたZero Trustモデルを提案する。 デザインサイエンスの方法論を用いて、この研究は、実行時の信頼の強制をサポートする6つのピラーフレームワークを導入した。 提案したモデルは,デプロイ前コントロールを越えてモバイルアプリケーションをセキュアにするための,実用的で標準に準拠したアプローチを提供する。
  論文  参考訳（メタデータ） (2025-08-20T18:42:36Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• Balancing Confidentiality and Transparency for Blockchain-based Process-Aware Information Systems [43.253676241213626]
  機密性と透明性を維持するために,ブロックチェーンベースのPAISアーキテクチャを提案する。 スマートコントラクトは公開インタラクションを制定、強制、保存し、属性ベースの暗号化技術は機密情報へのアクセス許可を指定するために採用されている。 システム的脅威モデル解析によりソリューションの安全性を評価し,その実用性を評価する。
  論文  参考訳（メタデータ） (2024-12-07T20:18:36Z)
• DPFedBank: Crafting a Privacy-Preserving Federated Learning Framework for Financial Institutions with Policy Pillars [0.09363323206192666]
  本稿では、金融機関が協調して機械学習モデルを開発できるようにする革新的なフレームワークDPFedBankについて述べる。 DPFedBankは、金融データに関連するユニークなプライバシとセキュリティ上の課題に対処するために設計されている。
  論文  参考訳（メタデータ） (2024-10-17T16:51:56Z)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• 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)
• Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications [6.042202852003457]
  Federated Learning(FL)は、堅牢な機械学習(ML)モデルを開発するためのテクニックである。 ユーザのプライバシを保護するため、FLでは、大量の生データや潜在的機密データを送信するのではなく、モデル更新を送信する必要がある。 このサーベイは、最新のFLアルゴリズムの包括的な分析と比較を提供する。
  論文  参考訳（メタデータ） (2023-10-08T19:54:26Z)
• A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
  Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。 しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
  論文  参考訳（メタデータ） (2023-02-21T12:52:12Z)
• A Privacy-Preserving Hybrid Federated Learning Framework for Financial Crime Detection [27.284477227066972]
  本稿では,金融犯罪検知のためのセキュアでプライバシーに配慮した学習と推論を提供するハイブリッド・フェデレーション学習システムを提案する。 提案するフレームワークの検知性能とプライバシ保護能力を評価するために,広範な実証的研究を行った。
  論文  参考訳（メタデータ） (2023-02-07T18:12:48Z)

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。