美国-英国 PETs 奖项挑战:通过隐私增强联合学习检测异常
Hafiz Asif1, Sitao Min2, Xinyue Wang2
1Information Systems and Business Analytics Department, Hofstra University, Hempstead, NY 11549 USA.
概括
罗格斯大学ScarletPets使用保护隐私的联合学习来检测金融交易中的异常. 这种方法保持了高准确度,同时保护了敏感数据,为预防金融犯罪提供了灵活的解决方案.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 数据科学数据科学数据科学
背景情况:
- 使用大型数据集的协作分析在金融,医疗保健和国家安全方面至关重要.
- 增强隐私技术 (PET) 对于实现数据协作而不会损害隐私至关重要.
- 美国和英国政府于2021年发起了一项PETs奖项挑战,以解决金融犯罪和疫情应对问题.
研究的目的:
- 介绍罗格斯大学ScarletPets的隐私保护联合学习方法.
- 在支付网络系统 (PNS) 中识别异常的金融交易.
- 为PETs奖项挑战制定解决方案,重点是预防金融犯罪.
主要方法:
- 采用了两步异常检测方法.
- 功能是从帐户级数据和标签中挖掘出来的.
- 一个保护隐私的编码方案增强了PNS中的功能.
- 通过使用联合学习,PNS从增强数据中学习了一个高度准确的分类器.
主要成果:
- 与集中方法相比,ScarletPets方法的准确性没有显著下降.
- 联合学习模型在识别异常金融交易方面表现出很高的准确性.
- 该解决方案因其隐私,实用性,效率和灵活性而获得了美国PETs奖项挑战的第一奖.
结论:
- 罗格斯大学的ScarletPets方法提供了一种灵活而准确的方法,用于在金融网络中保护隐私的异常检测.
- 这种联合学习模式可以实现持续改进,而不会给参与银行带来额外的计算或隐私负担.
- 该方法有效地解决了在金融等敏感领域安全协作分析的需求.
更多相关视频
06:59A Pipeline using Bilateral In Utero Electroporation to Interrogate Genetic Influences on Rodent Behavior
Published on: May 21, 2020
4.1K
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
6.8K
