論文の概要: Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection

• arxiv url: http://arxiv.org/abs/2604.23437v1
• Date: Sat, 25 Apr 2026 20:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.339829
• Title: Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection
• Title（参考訳）: 機関間ファイナンシャルフラッド検出のためのスケーラブルで検証可能なフェデレーション学習
• Authors: Prajwal Panth, Nishant Nigam,
• Abstract要約: 本研究では,不正検出のためのセキュアアグリゲーションフレームワークであるDynamic Sharded Learning (DSFL)を提案する。 DSFLはトポロジを動的シャーディングに置き換え、O(N2) から m(N2) への複雑さを減らす インサイダーの脅威を軽減するために,加法的同型コミットメント機構である線形積分タグを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The global financial ecosystem confronts a critical asymmetry: while fraud syndicates operate as borderless, distributed networks, banking institutions remain constrained by regulatory data silos, limiting visibility into cross-institutional threat patterns under strict privacy laws such as GDPR. Although Federated Learning (FL) enables collaborative training, existing protocols impose a trade-off among scalability, privacy, and integrity. Homomorphic encryption schemes are computationally expensive, while pairwise masking protocols require O(N^2) key exchanges and lack mechanisms to detect malformed updates. Existing defenses also remain vulnerable to gradient inversion attacks that can reconstruct sensitive transaction data. To address these limitations, we propose Dynamic Sharded Federated Learning (DSFL), a verifiable secure aggregation framework for cross-institution financial fraud detection. DSFL replaces mesh topologies with Dynamic Stochastic Sharding, reducing communication complexity from O(N^2) to O(N m), where m is a fixed shard size, achieving linear scalability. To mitigate insider threats, we introduce Linear Integrity Tags, an additive-homomorphic commitment mechanism that enables probabilistic verification of submitted updates without the overhead of zero-knowledge proofs, while not enforcing semantic correctness. Additionally, the Active Neighborhood Recovery protocol ensures robust aggregation under participant dropouts. Empirical evaluation on the Credit Card Fraud Detection Dataset (ULB) demonstrates an approximately 33x latency reduction compared to Paillier-based secure aggregation, while maintaining strong resilience under simulated failures. These results position DSFL as a practical foundation for scalable and privacy-preserving collaborative fraud detection.
• Abstract（参考訳）: 詐欺シンジケートは、国境のない分散ネットワークとして機能するが、金融機関は規制データサイロによって制限され、GDPRのような厳格なプライバシー法の下で、組織間脅威パターンへの可視性を制限する。 フェデレートラーニング(FL)は協調的なトレーニングを可能にするが、既存のプロトコルはスケーラビリティ、プライバシ、整合性にトレードオフを課している。 同型暗号方式は計算コストがかかるが、ペアワイズマスキングプロトコルではO(N^2)鍵交換が必要であり、不正な更新を検出するメカニズムが欠如している。 既存の防御は、機密性の高いトランザクションデータを再構築できる勾配反転攻撃にも弱いままである。 このような制約に対処するために,クロス機関の金融不正検出のためのセキュアアグリゲーションフレームワークであるDynamic Sharded Federated Learning (DSFL)を提案する。 DSFLはメッシュトポロジを動的確率シャーディングに置き換え、通信の複雑さをO(N^2)からO(N m)に還元する。 インサイダーの脅威を軽減するためにLinear Integrity Tagsを導入する。これは、意味的正しさを強制せず、ゼロ知識証明のオーバーヘッドを伴わずに、提出された更新の確率的検証を可能にする付加的同型コミットメント機構である。 さらに、Active Neighborhood Recoveryプロトコルは、参加者のドロップアウトの下で堅牢なアグリゲーションを保証する。 Credit Card Fraud Detection Dataset (ULB) の実証評価では、シミュレーションされた障害下では強力なレジリエンスを維持しながら、Paillierベースのセキュアアグリゲーションに比べて約33倍のレイテンシ低下を示す。 これらの結果はDSFLを、スケーラブルでプライバシー保護された協調詐欺検出の実践的基盤と位置づけている。

関連論文リスト

• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• StableAML: Machine Learning for Behavioral Wallet Detection in Stablecoin Anti-Money Laundering on Ethereum [1.6492745888221318]
  世界の違法なファンドフローは年間3.1兆ドルを超えており、流動性のために洗剤として好まれる。 本研究では、データセットを分析し、行動特徴を用いてロバストなAMLフレームワークを開発する。 高精度検出を自動化することにより、イノベーションを損なうことなく、経済的不作為の経済的コストを効果的に高めるアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-19T21:13:39Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection [0.0]
  フェデレートラーニング(FL)は、ローカルデバイスに生データが残ることを保証しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 このようなクライアントは、誤解を招く更新を送信することでトレーニングプロセスに干渉し、グローバルモデルのパフォーマンスと信頼性に悪影響を及ぼす可能性がある。 モデル勾配ではなく時間的損失のダイナミクスを監視して悪意のある行動を検知・緩和する,軽量かつプライバシ保護型防衛フレームワークであるFL-LTDを提案する。
  論文  参考訳（メタデータ） (2026-01-28T18:09:53Z)
• Optimistic TEE-Rollups: A Hybrid Architecture for Scalable and Verifiable Generative AI Inference on Blockchain [4.254924788681319]
  我々は制約を調和させるハイブリッド検証プロトコルであるOptimistic TEE-Rollups (OTR)を紹介する。 OTRは集中ベースラインのスループットの99%を達成している。
  論文  参考訳（メタデータ） (2025-12-23T09:16:41Z)
• The Role of Federated Learning in Improving Financial Security: A Survey [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-07T03:53:12Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• 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)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)

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。