Fugu-MT 論文翻訳(概要): Privacy-Preserving GNN Inference on Financial Transaction Graphs via Homomorphic Encryption

論文の概要: Privacy-Preserving GNN Inference on Financial Transaction Graphs via Homomorphic Encryption

arxiv url: http://arxiv.org/abs/2610.18054v2
Date: Wed, 14 Oct 2026 09:11:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:15.581479
Title: Privacy-Preserving GNN Inference on Financial Transaction Graphs via Homomorphic Encryption
Title（参考訳）: ホモモルフィック暗号化による金融取引グラフのプライバシー保護GNN推論
Abstract要約: 金融ネットワークにおけるアンチマネーロンダリング(AML)は、複数の機関にまたがるトランザクションパターンをモデル化する必要がある。本稿では、このマルチバンク設定に適したプライバシー保護グラフニューラルネットワーク(GNN)推論フレームワークを提案する。その後、CKKS準同型暗号方式で全暗号化機能で推論を行う。
参考スコア（独自算出の注目度）: 3.0121258175250545
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anti-money laundering (AML) in financial networks requires modeling transaction patterns that span multiple institutions. In practice, however, banks cannot share account and transaction features due to strict privacy regulations. We propose a privacy-preserving graph neural network (GNN) inference framework tailored to this multi-bank setting. A central server holds the graph connectivity and pretrained model weights in plaintext, while each bank keeps its transaction features encrypted. Inference is then carried out entirely on encrypted features under the CKKS homomorphic encryption scheme, so that no plaintext transaction features or predictions are exposed to the server. The key to making this practical is an edge-centric GNN architecture, wherein message passing is expressed through operations on node--edge incidence matrices. This formulation not only preserves the edge-attributed multigraph structure of transaction networks but also reduces every aggregation step to plaintext--ciphertext matrix products. Since CKKS can evaluate only polynomial circuits, we also approximate each nonlinearity with a composite polynomial of the sign function, which we calibrate per activation site. On the IBM AML benchmark, our model achieves performance competitive with plaintext baselines, and with a consumer-grade GPU, classifies each queried transaction end-to-end in as little as 5.31 seconds, while per-transaction latency can be amortized to 1.65 seconds when optimized for throughput.
Abstract（参考訳）: 金融ネットワークにおけるアンチマネーロンダリング(AML)は、複数の機関にまたがるトランザクションパターンをモデル化する必要がある。しかし実際には、銀行は厳格なプライバシー規制のため、口座と取引の機能を共有できない。本稿では、このマルチバンク設定に適したプライバシー保護グラフニューラルネットワーク(GNN)推論フレームワークを提案する。中央サーバはグラフ接続と事前訓練されたモデルウェイトを平文で保持し、各バンクはトランザクション機能を暗号化している。その後、CKKS準同型暗号化方式で完全に暗号化された機能によって推論が行われ、平文のトランザクション機能や予測がサーバに公開されない。これを実現するための鍵はエッジ中心のGNNアーキテクチャであり、ノード-エッジの入射行列上の操作を通じてメッセージパッシングが表現される。この定式化は、トランザクションネットワークのエッジ分散多グラフ構造を保存するだけでなく、すべての集約ステップを平文・暗号行列生成物に還元する。 CKKSは多項式回路のみを評価できるため、各非線形性を符号関数の合成多項式と近似し、活性化部位ごとに校正する。 IBM AMLベンチマークでは、私たちのモデルは平文ベースラインと競合するパフォーマンスを実現し、コンシューマグレードのGPUでは、各クエリされたトランザクションのエンドツーエンドを5.31秒で分類し、スループットに最適化された場合、トランザクション毎のレイテンシは1.65秒に短縮できる。

関連論文リスト

LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks [3.410873689152854]
LineMVGNNは、支払いとレシートトランザクションを考慮に入れた新しい空間的手法である。 LineMVGNNは、元のトランザクショングラフの行グラフビューを組み込んで、トランザクション情報の伝播を強化する。
論文参考訳（メタデータ） (2026-03-24T16:17:21Z)
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)
Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文参考訳（メタデータ） (2025-11-14T03:05:22Z)
DESIGN: Encrypted GNN Inference via Server-Side Input Graph Pruning [21.652233892742366]
DESIGN(EncrypteD GNN Inference via sErver-Side Input Graph pruNing)は、効率的な暗号化GNN推論のための新しいフレームワークである。当社のフレームワークは,サーバ上で完全に実行される階層的最適化戦略により,大幅なパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2025-07-08T04:01:53Z)
Efficient Blockchain-based Steganography via Backcalculating Generative Adversarial Network [105.47203971578871]
汎用ブロックチェーンベースのステガノグラフィーフレームワーク(GBSF)を提案する。送信者は、追加の隠蔽データを埋め込んでチャネル容量を高めるために、量や手数料などの必要なフィールドを生成する。 GBSFに基づいて, 可逆的生成逆ネットワーク(R-GAN)を設計する。対数直観的データ前処理とカスタムアクティベーション機能を備えたR-GAN,すなわちCCR-GANを提案する。
論文参考訳（メタデータ） (2025-06-19T04:43:41Z)
Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
論文参考訳（メタデータ） (2024-11-30T17:05:12Z)
CryptoGCN: Fast and Scalable Homomorphically Encrypted Graph Convolutional Network Inference [12.03953896181613]
クラウドベースのグラフ畳み込みネットワーク(GCN)は、多くのプライバシに敏感なアプリケーションで大きな成功と可能性を示している。クラウド上での推論精度とパフォーマンスは高いが、GCN推論におけるデータのプライバシの維持については、まだ明らかにされていない。本稿では,この手法を最初に試行し,同型暗号(HE)に基づくGCN推論フレームワークであるtextitCryptoGCN$-を開発する。
論文参考訳（メタデータ） (2022-09-24T02:20:54Z)
THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
論文参考訳（メタデータ） (2022-06-01T03:49:18Z)
CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文参考訳（メタデータ） (2021-05-10T07:31:59Z)

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。