Academic Jobs - Home of Higher Ed Logo

Federated Learning ermöglicht es Banken, Betrug zu erkennen, ohne Kundendaten teilen zu müssen

5 min read84 Ansichten

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.

a golden padlock sitting on top of a keyboard
Photo by Towfiqu barbhuiya on Unsplash

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.

  • Federated Learning
  • Finanzdienstleistungen
  • sicheres Datenfreigeben
  • Betrugsbekämpfung
  • Geldwäschereibekämpfung
Porträt von Jarrod Kanizay
Über den Autor

Jarrod KanizayAutor ansehen

Academic Jobs In House Author

Visionary leader transforming academic recruitment with 20+ years in higher education.

Die Anerkennung :

Diskussionen

Sort von:

Seien Sie der Erste, der diesen Artikel kommentiert!

Du bist

Sie werden gebeten, sich anzumelden, bevor Ihr Kommentar veröffentlicht wird.

Browse nach Fakultät

Browse nach Thema

Frequently Asked Questions

🔐Was ist Federated Learning in Finanzdienstleistungen?

Federated Learning ist ein dezentraler maschineller Lernalgorithmus, bei dem mehrere Institutionen ein gemeinsames Modell trainieren, ohne ihre Rohdaten auf einen zentralen Server zu übertragen. Jede Bank trainiert lokal auf ihren eigenen Aufzeichnungen und sendet nur Modellaktualisierungen wie Gewichte und Gradienten an einen Aggregator, der sie zu einem globalen Modell kombiniert. Die Studie von Belinda Unuigbokhai und Kollegen wendet dies auf Betrugsbekämpfung, Geldwäschebekämpfung, biometrische Authentifizierung und Kreditverlustprognose an.

🧠Was leistet die Studie von Belinda Unuigbokhai?

Die Studie entwickelt ein datenschutzfreundliches, verteiltes Lernframework um einen Random-Forest-Klassifikator und testet es anhand einer Kreditvergabe-Aufgabe. Anders als frühere Arbeiten, auf die sie verweist, integriert das Framework explizit Differenzvertraulichkeit, sichere Mehrparteienberechnung und homomorphe Verschlüsselung, um Modellaktualisierungen zu schützen, und bewertet die Leistung mit einer vollständigen Menge von Metriken und nicht nur mit der Genauigkeit.

📊Welches Datensatz und Modell verwendeten die Forscher?

Die Autoren verwendeten den öffentlichen Lending Club-Kreditdatensatz, der auf Kaggle gehostet wird, eine Sammlung von Kreditnehmereigenschaften und Rückzahlungsergebnissen, als Ersatz für bankinterne Kundendaten. Sie trainierten einen Random Forest-Klassifikator, eine Ensemble-Methode, die viele Entscheidungsbäume mittelt, innerhalb eines simulierten verteilten Settings über mehrere Clients.

🧮Was waren die wichtigsten Ergebnisse des Kredit-Modells für Zahlungsausfälle?

Das Modell erreichte eine Gesamtgenauigkeit von 80 % und eine Trefferquote von 98 % für ausgefallene Kredite, was bedeutet, dass es fast alle tatsächlichen Zahlungsausfälle erfasste. Die Präzision lag bei 81 %, was zu einem F1-Score von 89 % führte. Die Fläche unter der ROC-Kurve (AUC) betrug 0,69, was die Autoren als moderates diskriminierendes Potenzial mit Verbesserungspotenzial beschreiben.

🏦Warum ist eine Trefferquote von 98 % für Kreditgeber wichtig?

Die Recall-Rate zeigt, wie viele tatsächliche Ausfälle das Modell erkennt. Eine Recall-Rate von 98 % bedeutet, dass sehr wenige tatsächliche Ausfälle unerkannt bleiben. Für einen Kreditgeber ist das Übersehen eines Ausfalls in der Regel der teurere Fehler, daher ist eine hohe Recall-Rate wertvoll, auch wenn dies auf Kosten der Markierung einiger zuverlässiger Kreditnehmer geht.

⚖️Was ist eine Klassenungleichheit und wie hat sie das Modell beeinflusst?

Eine Klassenungleichheit tritt auf, wenn eine Kategorie die andere bei weitem überwiegt. In Kreditdaten verfallen die meisten Kredite nie, sodass das Modell zur Mehrheitsklasse tendiert. Die Autoren weisen darauf hin, dass dies zu einer Fehlklassifizierung einiger Nicht-Verfallfälle führen kann, was sich in einer Genauigkeit von 81 % unterhalb der Trefferquote von 98 % zeigt und zu einem moderaten AUC von 0,69 beiträgt.

🛡️Welche Datenschutztechnologien sind im Rahmenwerk enthalten?

Die Arbeit kombiniert Differentialprivatsphäre, die durch Clipping und Gauß-Mechanismen kalibriertes Rauschen hinzufügt, sichere Mehrparteienberechnungen, die es den Parteien ermöglichen, gemeinsam zu berechnen, ohne private Eingaben preiszugeben, und homomorphe Verschlüsselung, die es ermöglicht, direkt auf verschlüsselten Zahlen während der Modellaggregation zu berechnen.

🚧Welche Einschränkungen erkennen die Autoren an?

Die Autoren erkennen ein Ungleichgewicht in den Klassen und eine Modellvoreingenommenheit zugunsten der Mehrheitsklasse an, ein AUC von 0,69 zeigt nur eine moderate Fähigkeit, zwischen Default- und Nicht-Default-Fällen zu unterscheiden, und das verbleibende Datenschutzrisiko, dass Modellparameter immer noch unbeabsichtigt Informationen über die Trainingsdaten preisgeben können. Sie weisen auch auf den durch die differentielle Privatsphäre verursachten Kompromiss zwischen Datenschutz und Nutzen hin.

📉Ist das Modell für den Produktionsbetrieb in Banken bereit?

Nicht direkt. Die föderierte Einstellung wird auf einem öffentlichen Datensatz simuliert, anstatt auf separaten Banken mit tatsächlich unterschiedlichen Kundenprofilen evaluiert zu werden. Die Autoren präsentieren es als vielversprechendes, skalierbares und interpretierbares Framework für datenschutzsensibles Finanzrisikomodellierung, aber weitere Validierung auf heterogenen Echtzeitdaten wäre erforderlich, bevor eine regulierte Bereitstellung erfolgen kann.

💳Wie hilft Föderales Lernen bei der Einhaltung der Geldwäscheregelungen?

Die Erkennung von Geldwäsche profitiert von Daten aus mehreren Institutionen, da verdächtige Aktivitäten oft Banken und Grenzen überschreiten. Durch Federated Learning können Institutionen Erkennungsmodelle auf Basis dieser vielfältigen Daten erstellen, ohne Raw-Transaktionen teilen zu müssen, was dazu beiträgt, Vertraulichkeitspflichten zu erfüllen und gleichzeitig die Fähigkeit verbessert, verdächtige Muster zu erkennen.

🫆Warum profitiert die biometrische Authentifizierung von Federated Learning?

Ein ausgelaufenes Passwort kann zurückgesetzt werden, aber ein ausgelaufenes Fingerabdruckmuster nicht. Federated Learning dezentralisiert das Modelltraining, sodass biometrische Merkmale lokal bleiben und nur Modellaktualisierungen reisen, wodurch der Schaden, den ein einzelner Verstoß verursachen kann, verringert wird und Systeme den Datenschutzbestimmungen entsprechen.

📖Wo kann ich den vollständigen Artikel lesen?

Der Artikel "Fortschritte im Bereich Federated Learning für sicheres Datenfreigeben im Finanzdienstleistungssektor" ist im FUDMA Journal of Sciences, Band 9, Ausgabe 5, Seiten 80 bis 86, frei zugänglich. Sie können ihn auf der Artikelseite des Journals lesen.