論文の概要: Federated Graph AGI for Cross-Border Insider Threat Intelligence in Government Financial Schemes
- arxiv url: http://arxiv.org/abs/2602.16109v1
- Date: Wed, 18 Feb 2026 00:39:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.478045
- Title: Federated Graph AGI for Cross-Border Insider Threat Intelligence in Government Financial Schemes
- Title（参考訳）: 政府金融計画におけるクロスボーダーインサイダー脅威インテリジェンスのためのフェデレーショングラフAGI
- Authors: Srikumar Nayak, James Walmesley,
- Abstract要約: 国境を越えたインサイダーの脅威は、政府の財政計画にとって重要な課題となる。
既存のアプローチは基本的な制限に直面します。
本稿では,AI推論とグラフニューラルネットワークを統合した新しい学習フレームワークであるFedGraph-AGIを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cross-border insider threats pose a critical challenge to government financial schemes, particularly when dealing with distributed, privacy-sensitive data across multiple jurisdictions. Existing approaches face fundamental limitations: they cannot effectively share intelligence across borders due to privacy constraints, lack reasoning capabilities to understand complex multi-step attack patterns, and fail to capture intricate graph-structured relationships in financial networks. We introduce FedGraph-AGI, a novel federated learning framework integrating Artificial General Intelligence (AGI) reasoning with graph neural networks for privacy-preserving cross-border insider threat detection. Our approach combines: (1) federated graph neural networks preserving data sovereignty; (2) Mixture-of-Experts (MoE) aggregation for heterogeneous jurisdictions; and (3) AGI-powered reasoning via Large Action Models (LAM) performing causal inference over graph data. Through experiments on a 50,000-transaction dataset across 10 jurisdictions, FedGraph-AGI achieves 92.3% accuracy, significantly outperforming federated baselines (86.1%) and centralized approaches (84.7%). Our ablation studies reveal AGI reasoning contributes 6.8% improvement, while MoE adds 4.4%. The system maintains epsilon = 1.0 differential privacy while achieving near-optimal performance and scales efficiently to 50+ clients. This represents the first integration of AGI reasoning with federated graph learning for insider threat detection, opening new directions for privacy-preserving cross-border intelligence sharing.
- Abstract（参考訳）: 国境を越えたインサイダーの脅威は、政府の金融スキーム、特に複数の司法管轄区域で分散されたプライバシーに敏感なデータを扱う場合に、重要な課題となる。
既存のアプローチは、プライバシの制約によって境界を越えてインテリジェンスを効果的に共有することができず、複雑なマルチステップ攻撃パターンを理解するための推論能力が欠如し、金融ネットワークにおける複雑なグラフ構造関係をキャプチャできない、という根本的な制限に直面している。
我々は,AGI(Artificial General Intelligence)推論をグラフニューラルネットワークと統合した新しいフェデレート学習フレームワークであるFedGraph-AGIを紹介した。
提案手法は,(1)データ主権を維持するフェデレーショングラフニューラルネットワーク,(2)不均質な司法管轄区域に対するMixture-of-Experts (MoE)アグリゲーション,(3)グラフデータに対する因果推論を行うLarge Action Models (LAM)によるAGIを利用した推論を組み合わせたものである。
10の管轄区域にわたる5万件の取引データセットの実験を通じて、FedGraph-AGIは92.3%の精度を達成し、連邦ベースライン(86.1%)と中央集権アプローチ(84.7%)を大きく上回っている。
我々のアブレーション研究によると、AGI推論は6.8%の改善に寄与し、MoEは4.4%増加した。
エプシロン=1.0の差分プライバシーを維持しつつ、ほぼ最適性能を実現し、50以上のクライアントに効率的にスケールする。
これは、AGI推論とフェデレーション付きグラフ学習を統合して、インサイダー脅威検出を行い、プライバシ保護のクロスボーダーインテリジェンス共有のための新たな方向を開放した最初の例である。
関連論文リスト
- Fed-Listing: Federated Label Distribution Inference in Graph Neural Networks [5.7422859267106885]
分散ローカルグラフデータによる協調学習を容易にするために,フェデレーショングラフニューラルネットワーク(FedGNN)を提案する。
Fed-Listingは、生のデータやノードの機能にアクセスせずにFedGNN内のターゲットクライアントのプライベートなラベル統計を推測するグラデーションベースの攻撃である。
論文 参考訳（メタデータ） (2026-01-30T23:51:49Z) - FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering [0.0]
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。
論文 参考訳（メタデータ） (2026-01-25T18:14:26Z) - Privacy-Aware Cyberterrorism Network Analysis using Graph Neural Networks and Federated Learning [0.0]
サイバーテロはデジタルインフラに深刻な脅威をもたらす。
プライバシ対応フェデレーショングラフニューラルネットワークフレームワークを提案する。
GNNは、ユーティリティ、プライバシ、堅牢性を損なうことなく、大規模なサイバー脅威検出をサポートすることができる。
論文 参考訳（メタデータ） (2025-05-22T08:26:09Z) - Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。
FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。
モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
論文 参考訳（メタデータ） (2025-04-27T04:26:02Z) - GNNBleed: Inference Attacks to Unveil Private Edges in Graphs with Realistic Access to GNN Models [2.714583452862024]
本稿では,敵がターゲットGNNモデルへのブラックボックスアクセスしか持たない状況下でのエッジプライバシについて検討する。
本稿では,GNNのメッセージパッシング機構を利用した攻撃について述べる。
論文 参考訳（メタデータ） (2023-11-03T20:26:03Z) - 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) - Privacy-preserving Graph Analytics: Secure Generation and Federated
Learning [72.90158604032194]
我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。
本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
論文 参考訳（メタデータ） (2022-06-30T18:26:57Z) - 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) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。