論文の概要: DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning
- arxiv url: http://arxiv.org/abs/2603.19314v1
- Date: Sat, 14 Mar 2026 08:34:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:38.782022
- Title: DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning
- Title（参考訳）: DPxFin:Reputation-Weighted Federated Learningによる反モニー洗浄検出のための適応的微分プライバシー
- Authors: Renuga Kanagavelu, Manjil Nepal, Ning Peiyan, Cai Kangning, Xu Jiming, Fei Gao, Yong Liu, Goh Siow Mong Rick, Qingsong Wei,
- Abstract要約: DPxFinは、評判誘導型適応微分プライバシーを統合する新しいフレームワークである。
提案手法は, 局所学習モデルとグローバルモデルとの整合性を評価することによって, クライアントの評判を計算する。
マルチ層パーセプトロン(MLP)を用いたIDおよび非IID設定下でのアンチモニー洗浄データセット上でのDPxFinの検証を行った。
- 参考スコア（独自算出の注目度）: 11.014516357629587
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the modern financial system, combating money laundering is a critical challenge complicated by data privacy concerns and increasingly complex fraud transaction patterns. Although federated learning (FL) is a promising problem-solving approach as it allows institutions to train their models without sharing their data, it has the drawback of being prone to privacy leakage, specifically in tabular data forms like financial data. To address this, we propose DPxFin, a novel federated framework that integrates reputation-guided adaptive differential privacy. Our approach computes client reputation by evaluating the alignment between locally trained models and the global model. Based on this reputation, we dynamically assign differential privacy noise to client updates, enhancing privacy while maintaining overall model utility. Clients with higher reputations receive lower noise to amplify their trustworthy contributions, while low-reputation clients are allocated stronger noise to mitigate risk. We validate DPxFin on the Anti-Money Laundering (AML) dataset under both IID and non-IID settings using Multi Layer Perceptron (MLP). Experimental analysis established that our approach has a more desirable trade-off between accuracy and privacy than those of traditional FL and fixed-noise Differential Privacy (DP) baselines, where performance improvements were consistent, even though on a modest scale. Moreover, DPxFin does withstand tabular data leakage attacks, proving its effectiveness under real-world financial conditions.
- Abstract（参考訳）: 現代の金融システムでは、マネーロンダリングと戦うことは、データプライバシの懸念や、ますます複雑な不正取引パターンによって複雑化する重要な課題である。
フェデレートドラーニング(FL)は、データを共有せずにモデルをトレーニングできるという、有望な問題を解決するアプローチだが、特に財務データのような表形式のデータでは、プライバシーの漏洩が難しくなるという欠点がある。
そこで我々は,評価誘導型適応微分プライバシーを統合する新しいフレームワークDPxFinを提案する。
提案手法は, 局所学習モデルとグローバルモデルとの整合性を評価することによって, クライアントの評判を計算する。
この評価に基づき、クライアント更新に差分プライバシーノイズを動的に割り当て、全体的なモデルユーティリティを維持しながらプライバシーを向上する。
高い評判のクライアントは信頼に値する貢献を増幅するために低いノイズを受け取り、低評価のクライアントはリスクを軽減するためにより強いノイズを割り当てる。
我々は,Multi Layer Perceptron (MLP) を用いて,IDおよび非IID設定下でのアンチモニー洗浄(AML)データセット上でDPxFinを検証する。
実験分析の結果,従来のFLとDPベースラインよりも精度とプライバシのトレードオフが望ましいことがわかった。
さらに、DPxFinは表形式のデータ漏洩攻撃に耐え、実際の金融条件下での有効性を証明している。
関連論文リスト
- Subgraph Federated Learning via Spectral Methods [52.40322201034717]
FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。
我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
論文 参考訳（メタデータ） (2025-10-29T16:22:32Z) - Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy [8.683908900328237]
プライバシー予算に基づいてクライアントをグループに分割し,各グループ内のクライアントレベルのDPを実現し,プライバシー予算の無駄を削減するGDPFedを提案する。
また、GDPFed$+$を導入することで、不要なノイズを排除し、グループごとのクライアントサンプリング比率を最適化します。
論文 参考訳（メタデータ） (2025-05-19T18:55:34Z) - Federated Diffusion Modeling with Differential Privacy for Tabular Data Synthesis [8.857443660746979]
本稿では,差分プライバシー,フェデレーション学習,拡散確率モデルを新たに統合したDP-FedTabDiffフレームワークを紹介する。
このフレームワークは、データユーティリティを維持しながら、プライバシ規制の遵守を保証する。
論文 参考訳（メタデータ） (2024-12-20T17:30:58Z) - Convergent Differential Privacy Analysis for General Federated Learning: the $f$-DP Perspective [57.35402286842029]
フェデレートラーニング(Federated Learning, FL)は、ローカルプライバシを重視した効率的な協調トレーニングパラダイムである。
ディファレンシャルプライバシ(DP)は、私的保護の信頼性を捕捉し、保証するための古典的なアプローチである。
論文 参考訳（メタデータ） (2024-08-28T08:22:21Z) - Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。
本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。
その独特な洞察力のある性質とその分析も提示される。
論文 参考訳（メタデータ） (2023-10-30T14:15:47Z) - Privacy-Preserving Federated Learning over Vertically and Horizontally
Partitioned Data for Financial Anomaly Detection [11.167661320589488]
実世界の金融異常検出シナリオでは、データは垂直と水平の両方に分割される。
我々のソリューションは、完全同型暗号化(HE)、セキュアマルチパーティ計算(SMPC)、微分プライバシー(DP)を組み合わせる。
私たちのソリューションは、米国プライバシ・エンハンシング・テクノロジーズ(PET)賞チャレンジの第1フェーズで2位を獲得しました。
論文 参考訳（メタデータ） (2023-10-30T06:51:33Z) - A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。
EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。
我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
論文 参考訳（メタデータ） (2023-04-17T00:38:01Z) - FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。
公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。
提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
論文 参考訳（メタデータ） (2023-02-02T12:56:46Z) - PRECAD: Privacy-Preserving and Robust Federated Learning via
Crypto-Aided Differential Privacy [14.678119872268198]
フェデレートラーニング(FL)は、複数の参加するクライアントがデータセットをローカルに保持し、モデル更新のみを交換することで、機械学習モデルを協調的にトレーニングすることを可能にする。
既存のFLプロトコルの設計は、データのプライバシやモデルの堅牢性を損なうような攻撃に対して脆弱であることが示されている。
我々はPreCADと呼ばれるフレームワークを開発し、同時に差分プライバシー(DP)を実現し、暗号の助けを借りてモデル中毒攻撃に対する堅牢性を高める。
論文 参考訳（メタデータ） (2021-10-22T04:08:42Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳（メタデータ） (2020-05-01T04:28:38Z)
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。