DPxFin: 評判重み付けフェデレーテッドラーニングによる適応的差分プライバシーを活用したマネーロンダリング検知

要旨: 現代の金融システムにおいて、マネーロンダリング対策はデータプライバシーの懸念と、ますます複雑化する不正取引パターンのために重要な課題となっています。連合学習（FL）は、機関がデータを共有せずにモデルを訓練できるという有望な問題解決手法ですが、金融データのような表形式データにおいて特にプライバシー漏えいのリスクがあるという欠点があります。これに対処するため、評判に基づく適応型差分プライバシーを組み込んだ新しい連合フレームワークDPxFinを提案します。私たちのアプローチは、ローカルに訓練されたモデルとグローバルモデルとの整合性を評価することによってクライアントの評判を算出します。 この評判に基づき、クライアント更新に対して差分プライバシーのノイズを動的に割り当て、プライバシーを向上させつつ全体的なモデルの有用性を維持します。 評判が高いクライアントには信頼性の高い貢献を補強するためにノイズを低く設定し、評判が低いクライアントにはリスクを緩和するためより大きなノイズを割り当てます。DPxFinを、Multi Layer Perceptron（MLP）を用いたIIDおよび非IID設定の下で反マネーロンダリング（AML）データセット上で検証します。 実験分析から、従来のFLおよび固定ノイズの差分プライバシー（DP）ベースラインよりも、精度とプライバシーのトレードオフがより望ましいことが示されました。性能の改善は一貫しており、規模は控えめであっても効果を発揮しました。 さらに、DPxFinは表形式データに対する漏えい攻撃にも耐性を示し、実世界の金融状況下での有効性を証明しています。