Fortschritt bei der Erkennung von Finanzkriminalität mit Datenschutz

Die Erkennung von Finanzkriminalität wird immer wichtiger, da illegale Aktivitäten sowohl die Sicherheit als auch die finanzielle Sicherheit bedrohen. Jedes Jahr wird eine riesige Menge Geld gewaschen, die zur Ermöglichung verschiedener Verbrechen verwendet wird. Berichte zeigen, dass finanzielle Betrügereien zu unglaublichen Verlusten führen. Solche ernsthaften Probleme verdeutlichen die Notwendigkeit neuer Technologien, die Kriminalität effektiv erkennen und verhindern können.

Mit den riesigen Datenmengen, die über Finanzkunden und deren Transaktionen gesammelt werden, gibt es eine reichhaltige Informationsquelle. Diese Daten können helfen, Machine-Learning-Modelle zu entwickeln, die verdächtige finanzielle Aktivitäten identifizieren. Allerdings beinhalten traditionelle Methoden oft die Zentralisierung von Daten, was Vertraulichkeitsrisiken schafft. Finanzorganisationen zögern, ihre Daten zu teilen, aufgrund des regulatorischen Drucks und der Angst, ihren Wettbewerbsvorteil zu verlieren. Daher besteht die Notwendigkeit für ein System, das die Notwendigkeit effektiver Erkennungsmethoden mit dem Schutz der Datenprivatsphäre in Einklang bringt.

Eine gute Lösung ist die Verwendung einer Methode namens föderiertes Lernen (FL). Dieser verteilte Ansatz ermöglicht es mehreren Parteien, zusammenzuarbeiten, um ein Modell zu erstellen, ohne die eigentlichen Rohdaten auszutauschen. Beim föderierten Lernen senden die Parteien anstelle von Daten an einen zentralen Ort Aktualisierungen ihrer Modelle. Einfach nur die Daten lokal zu halten, reicht jedoch nicht aus; Informationen können immer noch durch diese Aktualisierungen durchsickern. Daher ist ein starkes Datenschutzframework unerlässlich.

Wir schlagen eine neue Methode namens Federated Learning for Relational Data (Fed-RD) vor. Dieser Ansatz ist speziell für Finanztransaktionsdaten konzipiert, die zwischen verschiedenen Parteien aufgeteilt sind. Fed-RD nutzt fortschrittliche Datenschutztechniken, um sicherzustellen, dass die Trainingsdaten vertraulich bleiben, während eine effektive Modellschulung ermöglicht wird.

#Das Problem verstehen

In einem typischen Setup könnte eine Partei Transaktionsdetails halten, während eine andere Informationen über die beteiligten Konten hat. Diese Situation schafft eine komplexe Beziehung, in der eine Transaktion mehrere Konten betreffen kann und ein Konto an vielen Transaktionen teilnehmen kann. Es ist entscheidend, sensible Informationen zu schützen und gleichzeitig wesentliche Einblicke zu teilen, insbesondere im Finanzbereich.

Viele bestehende Methoden des föderierten Lernens gehen davon aus, dass die Daten entweder horizontal oder vertikal sind. Bei der horizontalen Partitionierung teilen sich die Parteien dieselben Attribute, haben jedoch unterschiedliche Stichproben. Bei der vertikalen Partitionierung hat jede Partei einzigartige Attribute, aber dieselben Stichproben. Die Erkennung von Finanzkriminalität erfordert jedoch, dass beide Arten von Datenanordnungen berücksichtigt werden. Daher benötigen wir eine Methode des föderierten Lernens, die auf diese komplexen Setups zugeschnitten ist.

Fed-RD schliesst diese Lücke, indem es Banken ermöglicht, Kontoinformationen privat zu halten und gleichzeitig an der Schulung eines Modells zur Identifizierung von Betrug zusammenzuarbeiten. Das Modell verwendet Informationen aus sowohl Transaktionen als auch Konten, um genaue Vorhersagen zu treffen. Durch die Einbeziehung von Techniken wie Differential Privacy und sicheren Berechnungen können wir die Privatsphäre sensibler Daten während des Schulungsverfahrens gewährleisten.

#Hauptmerkmale von Fed-RD

Fed-RD hat mehrere wichtige Merkmale:

1. Mehrpartei-Zusammenarbeit: Es ermöglicht mehreren Parteien, wie Banken, zusammenzuarbeiten, ohne ihre sensiblen Transaktions- und Kontodaten zu teilen.
2. Datenschutz: Fed-RD integriert bewährte Datenschutztechniken, um sensible Informationen während des Modelltrainings zu schützen.
3. Flexibilität: Der Rahmen kann sowohl vertikale als auch horizontale Datenpartitionierung handhaben, was ihn für verschiedene Setups in der realen Welt geeignet macht.

#Wie Fed-RD funktioniert

Das System besteht aus zwei Hauptdatensilos. Das erste enthält Transaktionsinformationen, während das zweite Kontodetails enthält, die von mehreren Banken gehalten werden. Während des Trainingsprozesses kann jede Partei berechnen, was sie benötigt, ohne ihre tatsächlichen Daten preiszugeben. Die Schritte im Prozess umfassen:

1. Modellparameter initialisieren: Jede Partei beginnt mit Kopien der Modellparameter und initialisiert sie.
2. Transaktionen auswählen: Eine Reihe von Transaktionsstichproben wird für die Trainingsphase ausgewählt.
3. Embeddings generieren: Die Transaktionspartei erstellt ein Embedding für jede Transaktion, das wesentliche Informationen enthält, ohne die ursprünglichen Details preiszugeben.
4. Banken generieren Embeddings: Die beteiligten Banken generieren ihre Embeddings für die Konten, die mit den Transaktionen verknüpft sind, wiederum ohne direkte Weitergabe sensibler Informationen.
5. Rauschende Embeddings teilen: Jede Partei fügt ihren Embeddings vor der Weitergabe zufälliges Rauschen hinzu, um einzelne Datenpunkte zu maskieren. Diese Technik, bekannt als lokale Differentialprivacy, stellt sicher, dass die aktive Partei keine spezifischen Informationen über die Transaktionen oder Konten ableiten kann.
6. Modelltraining und Updates: Die aktive Partei sammelt Embeddings, berechnet Vorhersagen, aktualisiert die Modellparameter und sendet notwendige Updates an alle Teilnehmer für ihre jeweiligen Konten und Transaktionen zurück.

Diese strukturierte Zusammenarbeit ermöglicht das Modelltraining, ohne sensible Daten preiszugeben.

#Eingesetzte Datenschutzmechanismen

Fed-RD verwendet mehrere fortschrittliche Techniken, um robusten Datenschutz während des Trainingsprozesses zu gewährleisten:

#Differential Privacy (DP)

Differentialprivacy ist eine formale Methode, um sicherzustellen, dass das Ergebnis einer computergestützten Analyse nicht zu viel über eine Einzelperson im Datensatz verrät. Die Methode führt Zufälligkeit in die Ausgabe ein, was es schwierig macht, Ergebnisse auf spezifische Eingaben zurückzuverfolgen.

In Fed-RD verwenden wir Varianten der Differentialprivacy, einschliesslich lokaler Differentialprivacy, die hilft, Daten zu verschleiern, bevor sie in Berechnungen verwendet werden.

#Sichere Mehrparteienberechnung (MPC)

Diese Technik ermöglicht es Parteien, eine Funktion über ihre Eingaben gemeinsam zu berechnen, während sie diese Eingaben privat halten. Auf diese Weise bleibt sogar während des Trainings sensible Informationen sicher, was Datenlecks verhindert.

In Fed-RD nutzen wir MPC, um sicherzustellen, dass die Eingaben der Parteien vertraulich bleiben, wenn Berechnungen durchgeführt werden, sodass sensible Informationen während der Modellaktualisierungen nicht durchsickern.

#Datenschutz und Genauigkeit ausbalancieren

Eine Herausforderung bei vielen datenschutzbewahrenden Methoden ist, dass sie die Genauigkeit zugunsten des Datenschutzes opfern können. Experimente mit Fed-RD zeigen jedoch, dass es eine starke Leistung aufrechterhalten kann, während gleichzeitig Datenschutzgarantien bereitgestellt werden.

Durch die Verwendung einstellbarer Datenschutzparameter kann Fed-RD die Menge an Rauschen anpassen, die während des Trainings hinzugefügt wird, sodass die Teilnehmer das richtige Gleichgewicht zwischen Datenschutz und Modellgenauigkeit finden können. In der Praxis ermöglicht diese Flexibilität den Organisationen, ihre gewünschten Datenschutzniveaus auszuwählen, ohne die Leistung des Modells erheblich zu beeinträchtigen.

#Experimentelle Ergebnisse

Um die Leistung von Fed-RD zu bewerten, führten wir Tests mit realistischen synthetischen Datensätzen durch. In diesen Experimenten verglichen wir Fed-RD mit traditionellen Modellen. Die Ergebnisse deuten darauf hin, dass Fed-RD gut abschneidet und trotz der bestehenden Datenschutzmassnahmen eine gute Genauigkeit aufweist.

#Datensätze

Wir haben zwei Datensätze in unserer Bewertung verwendet:

• SWIFT-Datensatz: Dieser Datensatz enthält Millionen von Transaktionen und Konten, die sorgfältig vorbereitet wurden, um ein Gleichgewicht zwischen positiven und negativen Stichproben zu wahren.
• AMLSim-Datensatz: Dieser Datensatz wurde mithilfe eines Simulators generiert und bot ein kontrolliertes Umfeld, um die Auswirkungen verschiedener Parameter auf die Modellleistung zu untersuchen.

#Modellgenauigkeit

Die Experimente zeigten, dass Fed-RD im Allgemeinen traditionale Modelle übertraf und den Wert des Teilens von Kontodaten zur Verbesserung der Vorhersagegenauigkeit unterstrich. Die Ergebnisse zeigten deutlich, dass die datenschutzbewahrende Natur von Fed-RD nicht auf Kosten der Modellleistung geht.

#Kommunikationskosten

Die Kommunikationskosten sind ebenfalls ein wichtiger Faktor in kollaborativen Lernsystemen. Fed-RD reduziert die Menge an Daten, die im Vergleich zu traditionellen Ansätzen geteilt werden müssen, erheblich, was es effizienter in Bezug auf Bandbreite und Verarbeitungszeit macht. Dieser Aspekt ist kritisch, insbesondere für Organisationen, die mit sensiblen Informationen umgehen.

#Ausblick

Da sich die Finanzkriminalität weiter entwickelt, ist es entscheidend, dass die Technologien Schritt halten. Fed-RD stellt einen bedeutenden Schritt in Richtung eines sichereren und effektiveren Rahmens für die Betrugserkennung innerhalb von Finanzsystemen dar. Es gibt jedoch weiterhin Probleme, die angegangen werden müssen:

• Echtzeitverarbeitung: Zukünftige Arbeiten sollten sich darauf konzentrieren, wie man kontinuierliche Datenströme von Transaktionen verwalten kann.
• Label-Datenschutz: Der Schutz der für das Training verwendeten Labels, während gleichzeitig effektives Lernen ermöglicht wird, ist ein weiteres Gebiet, das Aufmerksamkeit erfordert.
• Regulatorische Compliance: Die Entwicklung solcher Technologien muss mit bestehenden Gesetzen und Vorschriften in Einklang stehen, um eine fortwährende Compliance sicherzustellen.

Zusammenfassend bietet Fed-RD einen vielversprechenden Ansatz für datenschutzbewahrendes föderiertes Lernen in der Finanzkriminalitätserkennung, indem es fortschrittliche Techniken kombiniert, um den Datenschutz mit der Notwendigkeit nach genauer und effektiver Betrugserkennung auszubalancieren. Während wir vorankommen, haben diese Beiträge das Potenzial, zu verändern, wie Finanzinstitute die Verbrechensprävention angehen und gleichzeitig sensible Daten schützen.