論文の概要: HybridFL: A Federated Learning Approach for Financial Crime Detection

• arxiv url: http://arxiv.org/abs/2602.19207v1
• Date: Sun, 22 Feb 2026 14:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.531695
• Title: HybridFL: A Federated Learning Approach for Financial Crime Detection
• Title（参考訳）: HybridFL:金融犯罪検出のためのフェデレートラーニングアプローチ
• Authors: Afsana Khan, Marijn ten Thij, Guangzhi Tang, Anna Wilbik,
• Abstract要約: 本稿では,ハイブリッド・フェデレート・ラーニング(HybridFL)を提案する。 取引相手がトランザクションレベルの属性を持ち、複数の銀行がプライベートアカウントレベルの特徴を保有する金融犯罪検出コンテキストにおいて、HybridFLを評価する。 AMLSimとSWIFTデータセットの実験は、HybridFLがトランザクションのみのローカルモデルよりも大幅に優れていることを示した。
• 参考スコア（独自算出の注目度）: 0.722756253891256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is a privacy-preserving machine learning paradigm that enables multiple parties to collaboratively train models on privately owned data without sharing raw information. While standard FL typically addresses either horizontal or vertical data partitions, many real-world scenarios exhibit a complex hybrid distribution. This paper proposes Hybrid Federated Learning (HybridFL) to address data split both horizontally across disjoint users and vertically across complementary feature sets. We evaluate HybridFL in a financial crime detection context, where a transaction party holds transaction-level attributes and multiple banks maintain private account-level features. By integrating horizontal aggregation and vertical feature fusion, the proposed architecture enables joint learning while strictly preserving data locality. Experiments on AMLSim and SWIFT datasets demonstrate that HybridFL significantly outperforms the transaction-only local model and achieves performance comparable to a centralized benchmark.
• Abstract（参考訳）: Federated Learning(FL)は、プライバシを保存する機械学習パラダイムであり、複数のパーティが、生の情報を共有することなく、プライベートなデータ上でモデルを協調的にトレーニングすることができる。 標準FLは通常、水平または垂直のデータ分割に対処するが、現実のシナリオの多くは複雑なハイブリッド分布を示す。 本稿では,ハイブリッド・フェデレート・ラーニング(HybridFL)を提案する。 取引相手がトランザクションレベルの属性を持ち、複数の銀行がプライベートアカウントレベルの特徴を保有する金融犯罪検出コンテキストにおいて、HybridFLを評価する。 水平アグリゲーションと垂直特徴融合を統合することで,データ局所性を厳格に保ちながら共同学習を可能にする。 AMLSimとSWIFTデータセットの実験では、HybridFLはトランザクションのみのローカルモデルよりも大幅に優れ、集中型ベンチマークに匹敵するパフォーマンスを実現している。

関連論文リスト

• BlendFL: Blended Federated Learning for Handling Multimodal Data Heterogeneity [44.03774830953328]
  BlendFLは、水平と垂直のFLの原理を、同期的で非制限的な方法でシームレスにブレンドする新しいFLフレームワークである。 BlendFLは分散推論機構を備えており、クライアントが協調的にトレーニングされたローカルモデルを実行できるようにする。 大規模な実世界のマルチモーダル医療データセットを用いて,BlendFLや他の最先端のベースラインを3つの分類タスクに基づいて訓練し,評価した。
  論文  参考訳（メタデータ） (2025-10-15T08:10:42Z)
• De-VertiFL: A Solution for Decentralized Vertical Federated Learning [7.877130417748362]
  この研究は、分散VFL設定でモデルをトレーニングするための新しいソリューションであるDe-VertiFLを紹介している。 De-VertiFLは、新しいネットワークアーキテクチャディストリビューション、革新的な知識交換スキーム、分散フェデレーショントレーニングプロセスを導入することで貢献する。 その結果、De-VertiFLは一般的にF1スコアのパフォーマンスにおいて最先端のメソッドを上回り、分散化とプライバシ保護のフレームワークを維持していることがわかった。
  論文  参考訳（メタデータ） (2024-10-08T15:31:10Z)
• FedSSA: Semantic Similarity-based Aggregation for Efficient Model-Heterogeneous Personalized Federated Learning [40.827571502726805]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護と協調的な機械学習パラダイムである。 MHPFL(Model-Heterogeneous Personalized FL)がこの課題に対処するために登場した。 既存のMHPFLアプローチは、学習タスクと同じ性質の公開データセットに依存している場合や、高い計算と通信コストがかかる場合が多い。 教師付き分類タスクに対するFedSSA(Federated Semantic similarity Aggregation)アプローチを提案する。 FedSSAの精度は3.62%、通信効率は15.54倍、計算効率は7つの最先端のMHPFLベースラインに比べて15.52倍である。
  論文  参考訳（メタデータ） (2023-12-14T14:55:32Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• Fair and efficient contribution valuation for vertical federated learning [19.536358114259887]
  フェデレートラーニング(Federated Learning)は、データを共有することなく、分散化されたデータソース間で機械学習モデルをトレーニングするための新興技術である。 本稿では,従来のシェープ値に基づいて,垂直結合シェープ値(VerFedSV)と呼ばれるコントリビューション評価指標を提案する。 We show that VerFedSV satisfed property of fairness but also effective to compute。
  論文  参考訳（メタデータ） (2022-01-07T19:57:15Z)
• Secure Bilevel Asynchronous Vertical Federated Learning with Backward Updating [159.48259714642447]
  垂直拡張学習(VFL)は、多人数協調モデリングの要求とプライバシー漏洩の懸念により、注目を集めている。 我々は,vf$b2$を含む3つの新しいアルゴリズムを提案する新しいbftextlevel parallel architecture (vf$bfb2$)を提案する。
  論文  参考訳（メタデータ） (2021-03-01T12:34:53Z)
• FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
  フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。 我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。 パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
  論文  参考訳（メタデータ） (2021-01-27T10:10:18Z)
• Hybrid Federated Learning: Algorithms and Implementation [61.0640216394349]
  Federated Learning(FL)は、分散データセットとプライベートデータセットを扱う分散機械学習パラダイムである。 ハイブリッドFLのためのモデルマッチングに基づく新しい問題定式化を提案する。 次に,グローバルモデルとローカルモデルを協調して学習し,完全かつ部分的な特徴量を扱う効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-22T23:56:03Z)

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。