論文の概要: FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering

• arxiv url: http://arxiv.org/abs/2601.17935v1
• Date: Sun, 25 Jan 2026 18:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.549938
• Title: FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering
• Title（参考訳）: FedGraph-VASP: クロスインスティカルなアンチモニー洗浄のためのポストクエンタムセキュリティを備えたプライバシ保護型フェデレーショングラフ学習
• Authors: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby,
• Abstract要約: 我々は、アンチマネーロンダリング検出のためのプライバシ生成グラフ学習フレームワークであるFedGraph-VASPを提案する。 私たちの重要なコントリビューションは、境界アカウントの圧縮された非可逆グラフニューラルネットワーク表現のみを共有する境界埋め込み交換プロトコルです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual Asset Service Providers (VASPs) face a fundamental tension between regulatory compliance and user privacy when detecting cross-institutional money laundering. Current approaches require either sharing sensitive transaction data or operating in isolation, leaving critical cross-chain laundering patterns undetected. We present FedGraph-VASP, a privacy-preserving federated graph learning framework that enables collaborative anti-money laundering (AML) without exposing raw user data. Our key contribution is a Boundary Embedding Exchange protocol that shares only compressed, non-invertible graph neural network representations of boundary accounts. These exchanges are secured using post-quantum cryptography, specifically the NIST-standardized Kyber-512 key encapsulation mechanism combined with AES-256-GCM authenticated encryption. Experiments on the Elliptic Bitcoin dataset with realistic Louvain partitioning show that FedGraph-VASP achieves an F1-score of 0.508, outperforming the state-of-the-art generative baseline FedSage+ (F1 = 0.453) by 12.1 percent on binary fraud detection. We further show robustness under low-connectivity settings where generative imputation degrades performance, while approaching centralized performance (F1 = 0.620) in high-connectivity regimes. We additionally evaluate generalization on an Ethereum fraud detection dataset, where FedGraph-VASP (F1 = 0.635) is less effective under sparse cross-silo connectivity, while FedSage+ excels (F1 = 0.855), outperforming even local training (F1 = 0.785). These results highlight a topology-dependent trade-off: embedding exchange benefits connected transaction graphs, whereas generative imputation can dominate in highly modular sparse graphs. A privacy audit shows embeddings are only partially invertible (R^2 = 0.32), limiting exact feature recovery.
• Abstract（参考訳）: VASP(Virtual Asset Service Providers)は、機関間マネーロンダリングを検出する際の規制コンプライアンスとユーザのプライバシの間に、根本的な緊張関係に直面します。 現在のアプローチでは、機密性の高いトランザクションデータを共有するか、独立して運用する必要がある。 本稿では,プライバシ保護のためのフェデレートグラフ学習フレームワークであるFedGraph-VASPについて紹介する。 私たちの重要なコントリビューションは、境界アカウントの圧縮された非可逆グラフニューラルネットワーク表現のみを共有する境界埋め込み交換プロトコルです。 これらの交換は、ポスト量子暗号、具体的にはNIST規格のKyber-512鍵カプセル化機構とAES-256-GCM認証暗号を組み合わせて保護される。 現実的なルービンパーティショニングによる楕円型Bitcoinデータセットの実験では、FedGraph-VASPは0.508のF1スコアを達成し、バイナリ不正検出の12.1%がFedSage+(F1 = 0.453)を上回り、最先端のジェネレーティブベースラインであるFedSage+(F1 = 0.453)を上回っている。 さらに,高接続状態下での集中的な性能(F1=0.620)に近づきながら,高結合性環境下での強靭性を示す。 また,FedGraph-VASP (F1 = 0.635) は低速なクロスサイロ接続下では効果が低く,FedSage+ (F1 = 0.855) はローカルトレーニング (F1 = 0.785) よりも優れていた。 これらの結果は、トポロジに依存したトレードオフを浮き彫りにする: 交換の埋め込みは、接続されたトランザクショングラフに利益をもたらすが、生成的計算は、高度にモジュール化されたスパースグラフで支配される。 プライバシー監査では、埋め込みは部分的には可逆である(R^2 = 0.32)。

関連論文リスト

• Privacy-Preserving Federated Learning with Verifiable Fairness Guarantees [0.0]
  フェデレートラーニングは、センシティブなデータを集中化せずに、分散機関間で協調的なモデルトレーニングを可能にする。 本稿では,フェデレートされた学習システムに対して,初めて検証可能な公正性を保証する新しい暗号フレームワークであるCryptoFair-FLを紹介する。
  論文  参考訳（メタデータ） (2026-01-18T15:06:30Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering [4.1964397179107085]
  本研究では、協調機械学習のための新しいプライバシー保護手法を提案する。 プライバシと規制の遵守を維持しながら、機関や国境を越えたセキュアなデータ共有を容易にする。 この研究は2つの重要なプライバシー保護パイプラインに貢献している。
  論文  参考訳（メタデータ） (2024-11-05T09:13:53Z)
• 2SFGL: A Simple And Robust Protocol For Graph-Based Fraud Detection [1.6427658855248812]
  フェデレートグラフ学習(Federated Graph Learning, 2SFGL)のための新しい2段階アプローチを提案する。 2SFGLはマルチパーティグラフの仮想融合を伴い、もう1つは仮想グラフのモデルトレーニングと推論である。 我々は,FraudAmazonDatasetとFraudYelpDatasetに基づいて,従来の不正検出タスクにおけるフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-10-12T13:48:26Z)
• 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)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)
• Differentially Private Community Detection for Stochastic Block Models [22.526853379896252]
  本研究では,個々の接続のプライバシを保ちながら,コミュニティ検出問題について検討する。 本稿では,3つの異なる地域社会回復機構の幅広いクラスについて,関連する情報トレードオフを提示し,分析する。
  論文  参考訳（メタデータ） (2022-01-31T18:59:19Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)

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。