At a glance
Belinda Unuigbhaiis Team testete verteiltes Lernen für die Vorhersage von Kreditverlusten und erreichte eine Genauigkeit von 80 % und eine Trefferquote von 98 %. Was es für Bankenbetrug und AML bedeutet.
Banken geben jedes Jahr Milliarden aus, um Betrug und schlechte Kredite zu jagen, und die genauesten Detektoren lernen aus so vielen Daten wie möglich. Belinda Unuigbokhai und sechs Co-Autoren an der Wellspring University in Benin City, Edo State, Nigeria, haben gezeigt, dass ein Kreditrisikomodell in mehreren Institutionen ausgebildet werden kann, ohne eine einzige Rohkundenakte auszutauschen. Das Ergebnis, das im Mai 2025 im FUDMA Journal of Sciences veröffentlicht wurde, wendet das Föderierte Lernen auf ein Darlehensdefizitproblem in der öffentlichen Lending Club-Datenbank an und berichtet über eine Gesamtgenauigkeit von 80% mit 98% Rückruf für fehlerhafte Kredite.
Die Allgemeine Datenschutzverordnung der Europäischen Union und vergleichbare Regime an anderer Stelle beschränken, wie Finanzinstitute sensible Kundendaten zusammenführen können, selbst wenn jede Bank in einem Konsortium von einem gemeinsamen Betrugsmodell profitieren würde.
Für einen Kunden ist das Versprechen konkret. Ihre Transaktionsgeschichte bleibt innerhalb Ihrer eigenen bank, während die bank immer noch zu einem system beiträgt und profitiert, das auf Mustern ausgebildet ist, die über viele institutionen hinweg gesehen werden. das ist morgen morgens wichtig, weil betrügerische und default-risiken institutionelle Grenzen nicht respektieren, aber das Datenschutzgesetz verbietet die einfachste korrigierung, die die Aufzeichnungen aller in ein Lager stürzen würde.
Wo die Zeitung die größten Gewinne sieht
In der Betrugserkennung sollten mehr Institutionen, die gelernte Muster teilen, eine bessere Erkennung neuer Betrügereien bedeuten, ohne einzelne Transaktionen aufzudecken.In der Anti-Geldwäsche-Compliance erlauben die gleichen Mechaniken Banken, Erkennungsmodelle auf unterschiedlichen Daten zu bauen, ein Rand, wenn verdächtige Aktivitäten Banken und Grenzen überqueren, ohne Vertraulichkeit zu verletzen.
Eine gelöschte Passwort kann wieder eingestellt werden; eine gelöschte Fingerabdruckvorlage kann nicht. Das Papier argumentiert, dass das verbundene Lernen diese Systeme stärkt, indem es das Modelltraining dezentralisiert, so dass biometrische Features nie in roher Form reisen, was den Schaden verringert, den eine einzelne Verletzung tun kann, und die Bereitstellung in Einklang mit den Datenschutzvorschriften hält.
Wie das föderierte Lernen funktioniert
Denken Sie an ein Konsortium von Köchen, die jeweils ein geheimes Rezept bewahren, das sie nicht teilen werden.In federativem Lernen kocht jeder Koch in seiner eigenen Küche, schreibt dann auf, was sie als eine Reihe von Zahlen gelernt haben.
Technisch folgt das Papier dem Standard-Föderierten Workflow. Ein zentraler Server wählt die teilnehmenden Clients aus und sendet das aktuelle globale Modell; jeder Client trainiert lokal auf seinen eigenen Daten; der Server aggregiert die resultierenden Parameter, Gewichte und Gradienten, in ein neues globales Modell. Nur Parameter zirkulieren. Die Autoren schichten dann Datenschutzmechanismen oben. Differentielle Privatsphäre fügt kalibrierten Lärm durch Clipping und Gaussian-Mechanismen hinzu, so dass der Einfluss eines Individuums nicht von den Updates umgekehrt-engineert werden kann. Sichere Multi-Party-Computation ermöglicht den Parteien, gemeinsam zu berechnen, ohne private Eingänge zu enthüllen, und homomorphische Verschlüsselung ermöglicht
Was die Studie tatsächlich aufbaut
Das Experiment simuliert eine föderierte Einstellung anstatt über reale Banken zu implementieren. Das Team wählte einen Random Forest-Klassifikator, eine Ensemble-Methode, die viele Entscheidungsträume durchschnittlich macht, um Kreditverzögerungen vorherzusagen.Fortschritte im Föderierten Lernen für sicheren Datenaustausch in Finanzdienstleistungen, erscheint im FUDMA Journal of Sciences, einem peer-reviewed Open-Access-Magazin der Federal University Dutsin-Ma in Nigeria.
Für die Daten benutzten sie dieLending Club Darlehen Datensatz auf Kaggle gehostet, eine öffentliche Sammlung von Darlehensnehmerattributen und Rückzahlungsergebnissen, die für von Kunden gehaltene Bankdaten steht. Die Autoren schreiben, dass frühere Arbeiten oft Klassenungleichgewichte, Modellvorurteile und den Privacy-Utility-Kompromiss übersehen haben, den Differential Privacy injiziert.
Die Zahlen, und wo sie schneiden
Die Schlagzeilen sind ermutigend. Das Modell erreicht 80% Gesamtgenauigkeit und 98% Rückruf für fehlerhafte Darlehen, was bedeutet, dass es fast alle echten Fälscher fängt. Präzision landet bei 81%, was eine F1-Score von 89% erzeugt.
Dann kommen die Warnungen. Das Gebiet unter der ROC-Kurve, oder AUC, liegt bei 0,69, was die Autoren als mäßige Diskriminierungsmacht mit Raum für Verbesserungen bei der Trennung von default von nicht-default-Fällen beschreiben. Der Grund ist Klassenungleichgewicht. Die meisten Darlehen sind nicht default, so dass das Modell in Richtung der Mehrheitsklasse neigt, und die Autoren bemerken das Potenzial, einige nicht-default-Fälle falsch zu klassifizieren. In einfacher Sprache ist das System aggressiv, wenn es darum geht, defaulters zu fangen, und der Preis ist, dass ein Anteil der zuverlässigen Kreditnehmer als riskant gekennzeichnet werden. Für einen Kreditgeber bedeutet dies abgelehnte Anwendungen und Kundenfraktion,
Was ein Skeptiker fragt
Die föderierte Einstellung wird auf einem öffentlichen Datensatz simuliert, nicht über verschiedene Banken mit wirklich unterschiedlichen Kundenmischungen gemessen, was eingesetzte Systeme nicht-IID- oder nicht identisch verteilte Daten nennen.
Federated Learning bietet eine anfängliche Schicht des Schutzes, aber Modellparameter können immer noch versehentlich Informationen über Trainingsdaten offenbaren. Das ist genau der Grund, warum die Autoren Differential-Privacy und sichere Multi-Party-Computing hinzufügen; diese Tools reduzieren das Leakage-Risiko, anstatt es zu beseitigen.
"Eine AUC von 0,69 ist besser als ein Münzflip, aber es ist nicht die Art von Diskriminierung, auf die sich ein regulierter Kreditgeber ohne Stress-Test anmelden kann", sagte ein unabhängiger Machine-Learning-Auditor, der die Publikation überprüfte und nicht an der Arbeit beteiligt war. "Die Architektur ist plausibel.
Wo das als nächstes geht
Betrugserkennung, Anti-Geldwäsche-Compliance und biometrische Authentifizierung, bei denen biometrische Daten eindeutig sensibel und nicht wiederherstellbar sind, verbessern sich alle mit interinstitutionellen Daten.Allgemeine Datenschutzverordnungund ähnliche Rahmenbedingungen, die die Autoren zitieren.
Das Team von Unuigbokhai, einschließlich Godfrey Perfectson Oise und Kollegen von der Wellspring University, hat eine Wertschöpfung bereitgestellt, die wertvoller ist als jede einzelne Genauigkeitszahl. In den nächsten fünf bis zehn Jahren ist der natürliche Fortschritt Konsortiumsbetrugsmodelle in Banken, grenzüberschreitende Anti-Geldwäsche-Erkennung und biometrische Authentifizierung, bei denen die Vorlage niemals das Telefon eines Kunden verlässt. Die eigene AUC von 0,69 des Papers ist eine Erinnerung daran, dass der Weg von einem Experiment zu einem überwachten Produktionssystem durch falsche Positive, Auditbarkeit und Vertrauen verläuft.
Photo by Jonathan Cooper on Unsplash
- Federated Learning
- Finanzdienstleistungen
- sicheres Datenfreigeben
- Betrugsbekämpfung
- Geldwäschereibekämpfung

