NVIDIA FLAREを用いた決済取引におけるプライバシー保護型連合不正検知

要約: 詐欺関連の金融損失は引き続き増加しています。一方、規制・プライバシー・データ主権に関する制約が、中央集権的な詐欺検知システムの実現可能性をますます制限しています。Federated Learning（FL）は、生データを共有することなく、機関間で協調的なモデル訓練を可能にする有望なパラダイムとして浮上しています。しかし、現実的な非 IID（非独立同分布）な金融データ分布下での実用的な有効性は十分に検証されていません。本研究では、複数機関にわたる産業指向の概念実証スタディを提示し、NVIDIA FLAREフレームワークを用いた支払い取引の連合型異常検知を評価します。現実的な異種金融機関の連合をシミュレートし、それぞれが異なる詐欺の類型を観察し、厳格なデータ分離の下で運用されることを想定します。Federated Averaging（FedAvg）を用いて訓練された深層ニューラルネットワークを使用し、連合型モデルは平均F1スコア0.903を達成することを示します。これは局所で訓練されたモデル（0.643）を大きく上回り、中央集権的な訓練の性能（0.925）にほぼ近づきつつ、データ主権を完全に保持します。さらに収束挙動を分析し、10回の連合通信ラウンド内で高い性能を達成することを示しており、レイテンシとコストに敏感な金融環境におけるFLの運用可能性を強調します。規制のある設定での展開を支援するため、Shapleyベースの特徴寄与度を用いてモデルの解釈性を評価し、連合型モデルが意味論的に整合性があり、ドメインに関連する意思決定シグナルに依存していることを確認します。最後に、DP-SGDによるサンプルレベルの差分プライバシーを組み込み、プライバシーと実用性の有利なトレードオフを示します…