Wyjaśniony model Federated Learning dla współpracy międzyinstytucjonalnej w zakresie cyfrowych danych finansowych i kontroli ryzyka

Podsumowanie

Demonstrujemy powtarzalny protokół implementacji FedRisk, wyjaśnialnego frameworka uczenia się federacyjnego. Procedura obejmuje harmonizację danych semantycznych, dopasowanie podmiotów chroniące prywatność, różnicową kalibrację prywatności, lokalne szkolenie GBDT, globalną fuzję Transformerów oraz asynchroniczne aktualizacje kompresowane gradientowo, umożliwiając bezpieczne, skalowalne i zgodne z regulacjami prognozowanie ryzyka finansowego w wielu instytucjach.

Streszczenie

Fragmentacja danych finansowych między instytucjami oraz surowe przepisy dotyczące prywatności poważnie utrudniają współpracujące zarządzanie ryzykiem, prowadząc do nieoptymalnego wykrywania oszustw z dokładnością poniżej 60% oraz wysokich błędów związanych z niewypłacalnością pożyczek dla MŚP przekraczających 25%. Istniejące rozwiązania federacji edukacyjnej napotykają wyzwania związane z danymi nie-IID, interpretowalnością modeli i zgodnością, co skutkuje rzeczywistym wskaźnikiem adopcji poniżej 20%. Aby załagodzić te luki, proponujemy FedRisk, wyjaśnialny system uczenia się federacyjnego, integrujący cztery kluczowe innowacje. Po pierwsze, międzyinstytucjonalna siatka danych z ontologiczną harmonizacją semantyczną pozwala wykorzystać funkcje powyżej 85%. Po drugie, hybrydowy model AI łączy lokalnie interpretowalny GBDT z monotonicznymi ograniczeniami oraz globalnym transformatorem opartym na uwagi, zmniejszając spadek wydajności w scenariuszach nie-IID o 7,6% w porównaniu do FedAvg. Po trzecie, mechanizm prywatności trójdzielnej wykorzystuje adaptacyjną różnicową prywatność z całkowitym budżetem ε=5, dodatkowym udostępnianiem tajemnic oraz regularizacją świadomą sprawiedliwości, ograniczając błędność predykcyjnej grupy poniżej 0,05 i stratę RAROC poniżej 2,1%. Po czwarte, optymalizacje efektywne pod względem komunikacji zmniejszają przepustowość na rundę do 8,5 MB i czas treningu do 85 minut. Oceniany na podstawie ponad 5 milionów wieloinstytucjonalnych rekordów, FedRisk osiąga AUC-ROC na poziomie 0,912, czyli tylko o 1,8% mniej niż scentralizowany GBDT, a jednocześnie opiera się atakom wnioskowania członkowskiemu z AUC na poziomie 0,58. Zmniejsza transmisję danych międzyinstytucjonalnych o 99% i przewyższa klasyczne bazowe wyniki Florydy o 7,3% w AUC-ROC. Dzięki umożliwieniu bezpiecznego, przejrzystego i zgodnego z regulacjami przewidywania ryzyka bez konieczności udostępniania surowych danych, FedRisk oferuje skalowalne rozwiązanie dla współpracy finansowej między instytucjami.

Wprowadzenie

Dogłębny rozwój finansów cyfrowych przekształca modele usług, od kontroli ryzyka kredytowego po finansowanie łańcucha dostaw MŚP, ustanawiając dane jako kluczowy czynnik produkcyjny. Według "Raportu Fintech Development Report 2023" Chin 2023, pod koniec 2023 roku skala cyfrowych kredytów w Chinach przekroczyła 65 bilionów juanów, stanowiąc 38% całkowitego salda, a dzienne dane transakcyjne przekroczyły 500TB¹. Jednak "silosy danych" pozostają istotną barierą. Instytucje zazwyczaj przyjmują zamknięte modele danych ze względu na konkurencję i obawy dotyczące bezpieczeństwa. Na przykład w wykrywaniu oszustw kart kredytowych banki polegające wyłącznie na danych wewnętrznych pomijają kluczowe międzyinstytucjonalne rekordy, co skutkuje wskaźnikiem identyfikacji poniżej 60% dla nowych typów oszustw. Podobnie w przypadku kredytów dla MŚP brak zewnętrznych danych ubezpieczeniowych i podatkowych prowadzi do błędów przewidywania niewypłacalności przekraczających 25%. Ta fragmentacja powoduje podwójne wyzwania: ograniczenie dostępu dla 200 milionów niedostatecznie obsługiwanych klientów oraz zwiększenie ryzyka przenoszenia się o 18% (raport CBIRC 2023). W konsekwencji silosy danych stały się głównym ograniczeniem utrudniającym wysokiej jakości rozwój finansów cyfrowych.

W ostatnich latach wzrost globalnych przepisów dotyczących prywatności danych znacząco ograniczył scentralizowaną wymianę danych. Instytucje finansowe muszą teraz przestrzegać trzech podstawowych zasad: "minimalnej konieczności", "świadomej zgody" oraz "śledzenia". Choć ramy regionalne różnią się, wszystkie nakładają surowe progi dotyczące wykorzystania danych międzyinstytucjonalnych, jak opisano w Tabeli 1.

Ramy regulacyjne	Podstawowe klauzule ograniczające	Wpływ na współpracę w danych finansowych
Ogólne rozporządzenie UE o ochronie danych danych (RODO)	1. Transgraniczny transfer danych musi spełniać "decyzję o wystarczalności"; 2. Osoby mają prawo do dostępu do swoich danych i ich usuwania; 3. Naruszenia danych muszą być zgłaszane w ciągu 72 godzin	Nieautoryzowane przesyłanie surowych danych przez granicę jest zabronione, a scentralizowane udostępnianie wymaga oceny wpływu na prywatność (PIA), co zwiększa koszty zgodności o 30%
Kalifornijska ustawa o prywatności konsumentów (CCPA)	1. Konsumenci mogą prosić firmy o usunięcie ich danych osobowych; 2. Udostępnianie danych wymaga jasnego powiadomienia o tym, do czego będą używane	Scentralizowane platformy wymagają interfejsów dostępu do danych dla każdego konsumenta, co zwiększa koszty operacyjne o 25% i ułatwia użytkownikom usuwanie danych oraz brak danych treningowych dla modelu
Chińska ustawa o ochronie danych osobowych	1. Przetwarzanie danych osobowych wymaga odrębnej zgody; 2. Przetwarzanie wrażliwych danych osobowych wymaga dodatkowych dokumentów autoryzujących; 3. Ustanowienie systemu "klasyfikacji i ochrony danych"	Wymiana danych między instytucjami wymaga autoryzacji od każdego klienta, a wskaźnik autoryzacji w praktyce wynosi mniej niż 40%. Tryb centralizowany jest trudny do wdrożenia
Dyrektywa UE dotycząca usług płatniczych II (PSD2)	1. Otwórz interfejs danych bankowych; 2. Udostępnianie danych powinno opierać się na autoryzacji klienta i ograniczonym użyciu	Chociaż wspiera udostępnianie danych, wymaga śledzenia całego procesu dostępu do interfejsów, a scentralizowana platforma powinna przejąć odpowiedzialność za bezpieczeństwo interfejsów i audyt, co znacząco zwiększa złożoność techniczną

Tabela 1: Porównanie podstawowych wymagań głównych ram regulacji danych.

Niniejsze badanie wprowadza trzy kluczowe innowacje mające na celu rozwiązanie wyzwań w międzyinstytucjonalnym federacyjnym modelowaniu ryzyka. Po pierwsze, architektura siatki danych z ontologiczną warstwą semantyczną standaryzuje heterogeniczne schematy, osiągając ponad 85% wykorzystania funkcji przy zachowaniu suwerenności danych. Po drugie, hybrydowy model AI łączy lokalnie interpretowalny GBDT z regulacjami zgodnymi z regulacjami monotonicznymi ograniczeniami oraz globalnym transformatorem opartym na uwagi. Dzięki dynamicznemu ważeniu wyników instytucjonalnych model ten zmniejsza spadek wydajności nie-IID o 7,6%, utrzymując AUC-ROC na poziomie 0,912. Po trzecie, trójstronny mechanizm zgodności z prywatnością integruje adaptacyjne zróżnicowanie prywatności (ε=5), dodatkowe udostępnianie tajemnic oraz regularizację świadomą uczciwości, aby zapewnić zgodność z RODO, ograniczyć stronniczość ΔDP do < 0,05 oraz oprzeć się atakom wnioskującym członkostw (AUC=0,58). Razem te innowacje łączą wymagania dotyczące fragmentacji danych, interpretowalności regulacyjnej oraz kompromisów między prywatnością a bezpieczeństwem w federacyjnej finansowej AI.

Federacja w finansach dzieli się na poziomą federację nauki (HFL)², pionową federację (VFL)³ oraz federację transferową (FTL)⁴ na podstawie rozkładu danych (Tabela 2).

Paradygmat federalny	Podstawowe cechy	Scenariusz adaptacji do kontroli ryzyka finansowego	Badania reprezentatywne	Ograniczenie
Poziome uczenie federalne	Przestrzeń cech danych uczestników jest spójna, ale przestrzeń prób jest inna	Międzyorganizacyjne wykrywanie oszustw kart kredytowych	McMahan i in. [[i]](2017) zaproponowali algorytm FedAvg, który po raz pierwszy zastosował HFL do przeciwdziałania oszustwom finansowym, osiągając współpracę międzyinstytucjonalną poprzez uśrednianie parametrów, oraz poprawił wskaźnik wykrywania oszustw o 12% na zbiorze danych 10 banków	Nie uwzględniając cech danych finansowych nieniezależnych i identycznie rozłożonych (Non-IID), gdy różnica rozkładu ryzyka klienta między instytucjami przekracza 30%, AUC-ROC modelu maleje o ponad 15%
Pionowe nauczanie federalne	Przestrzeń prób uczestników jest spójna, ale przestrzeń cech jest inna	Wspólna kontrola ryzyka kredytowego między bankami a firmami ubezpieczeniowymi	Yang i in. [[ii]] (2020) zaproponowali algorytm SecureBoost, który umożliwia wspólne trenowanie pionowych cech poprzez szyfrowanie homomorficzne i osiąga domyślną dokładność predykcji na poziomie 89,3% w scenariuszu kredytów dla małych i mikroprzedsiębiorstw	Opiera się na ścisłym wyrównaniu podmiotów, co niesie ze sobą wysokie ryzyko wycieku prywatności, a wydajność treningu gwałtownie spada, gdy wymiar funkcji jest zbyt duży
Federalne Transfer Learning	Występują różnice w rozkładzie danych i przestrzeni cech uczestników	Migracja ryzyka między scenariuszami	Pan i in.[[iii]] (2021) rozwiązali problem niedoboru próbek w finansach łańcucha dostaw, inicjalizując model optymalizacji migracji parametrów, który poprawił prędkość zbieżności o 60%	"Negatywna migracja" prawdopodobnie wystąpi podczas procesu migracji. Gdy różnica mechanizmów ryzyka między scenariuszem źródłowym a docelowym przekracza 40%, wydajność modelu przewyższa tradycyjne
[[i]]McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Efektywne uczenie się głębokich sieci z zdecentralizowanych danych. Materiały z 20. Międzynarodowej Konferencji na temat Sztucznej Inteligencji i Statystyki, 1273–1282.
[[ii]]Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2020). Federowane uczenie maszynowe: koncepcja i zastosowania. ACM Transactions on Intelligent Systems and Technology, 10(2), 1–19.
[[iii]]Pan, S. J., & Yang, Q. (2021). Ankieta dotycząca nauki transferowej. IEEE Transactions on Knowledge and Data Engineering, 33(12), 2345–2359.

Tabela 2: Porównanie paradygmatów uczenia się w sektorze finansowym.^5,6,7

Najnowsze osiągnięcia rozwiązują wyzwania specyficzne dla konkretnych scenariuszy: FedSSL⁸ rozwiązuje problem etykiet poprzez uczenie kontrastowe, podczas gdy FedLite⁹ osiąga redukcję komunikacji o 490× dla instytucji o ograniczonych zasobach. Rozszerzenia dotyczące opieki zdrowotnej¹⁰, luki bezpieczeństwa¹¹, finansów multimodalnych¹² oraz^{skalowalność 13} pokazują szerokie zastosowanie FL.

Ochrona prywatności jest kluczowa dla kontroli ryzyka finansowego. Trzy główne techniki – Różnicowa Prywatność (DP)¹⁴, Bezpieczne Obliczenia Wielostronne (SMC)¹⁵ oraz Szyfrowanie Homomorficzne (HE)¹⁶ – oferują wyraźne przewagi w zakresie wytrzymałości, efektywności i elastyczności. DP jest formalnie definiowane jako Pr[M(x) = y] ≤ e^∈ ⋅ Pr[M(x') = y] + δ, gdzie M oznacza algorytm losowy, $x$ i $x'$ oznaczają sąsiednie zbiory danych, a y to wyjście algorytmu. Zapewnia to podobieństwo wyników między zbiorami danych, ściśle ograniczając indywidualne wycieki poprzez kontrolowany szum. Analiza porównawcza ich cech technicznych przedstawiona jest w Tabeli 3.

Rodzaj technologii	Podstawowe zasady	Siła prywatności (ε wartość)	Złożoność obliczeniowa	Elastyczność sytuacji finansowej
Różnica prywatności	Pojedyncze wkłady do zbioru danych są nie do odróżnienia przez dodanie szumu	ε=1-5 (zalecana wartość dla scenariuszy finansowych)	O (n) (n to wielkość próby)	High, odpowiedni do całego procesu treningu modeli, można płynnie łączyć z uczeniem federacyjnym
Bezpieczne obliczenia wielostronne	Wielu uczestników współpracuje przy obliczaniu bez ujawniania wyników pośrednich	Bezpieczeństwo teoretyczne informacji	O (n²) (pionowy scenariusz federalny)	Tak, nadaje się do obliczania czułych łączeń cech, ale w dużych przypadkach próbkowych zajmuje zbyt dużo czasu
Szyfrowanie homomorficzne	Zaszyfrowane dane są obliczane bezpośrednio, a poprawny wynik uzyskuje się po odszyfrowaniu	Zabezpieczenie obliczeniowe	O (n³) (na podstawie kryptografii kratowej)	Niski, odpowiedni tylko do transmisji parametrów na małą skalę, miliony próbek obliczania scenariusza trwają ponad 24 godziny

Tabela 3: Porównanie charakterystyk technologii ochrony prywatności.

W zastosowaniach finansowych różnica prywatności stała się głównym wyborem ze względu na "kontrolę równowagi efektu prywatności". Dwork, ^C.17 zaproponował klasyczną definicję (ε, δ)-DP, ustanawiającą ilościowy standard ochrony prywatności. Podstawowy wzór jest następujący:

  (1)

Tutaj M Jako algorytm ochrony prywatności, D i D to sąsiadujący zestaw danych (różnica tylko jednej próbki), budżet prywatności (im mniejsza ochrona, tym silniejsza), r budżet prywatności (im mniejsza ochrona prywatności, tym silniejsza), δ prawdopodobieństwo awarii (zwykle mierzone ^10-5).

Abadi, M. i ^in.18 opracowali różnicowy spadek stochastyczny gradientu prywatności (DP-SGD), wykorzystujący gradientowe przycinanie i wstrzykiwanie szumów, aby zmniejszyć wyciek prywatności modelu ryzyka kredytowego do poniżej 8%. Bezpieczne przetwarzanie wielostronne (SMC) oraz szyfrowanie homomorficzne są stosowane głównie do przetwarzania wrażliwego. Na przykład Bogetoft, P. i ^in.19 zastosowali SMC do oceny kredytowej między bankami, zapewniając, że dostępne były jedynie końcowe wyniki. Perri, ^L.2 zaproponował w pełni homomorficzny algorytm szyfrowania dla bezpiecznej agregacji parametrów, choć wysoka złożoność obliczeniowa ogranicza jego zastosowanie do małoskalowych treningów wśród średniej wielkości banków.

Modele kontroli ryzyka AI ewoluowały od tradycyjnych scentralizowanych architektur do architektur rozproszonych, a dwa paradygmaty wykazują istotne różnice w zależności od danych, wydajności i kosztach zgodności. Scentralizowane modele obejmują Gradient Boosting Trees (GBDT) oraz modele głębokiego uczenia. Algorytm GBDT zaproponowany przez Friedmana, J., Hastie, T. Tibshirani, ^R.21 zwiększa dokładność prognozowania ryzyka dzięki integracji wielu drzew, osiągając AUC-ROC na poziomie 0,93 w scenariuszach kredytów osobistych. Jednak wymaga to zbierania kompletnych danych klientów, co niesie ze sobą ryzyko naruszeń danych i problemów z zgodnością. Zhang, H., Liu, Y., Zhang, X., Yin, Z.Li, ^Y.22 opracowali model kontroli ryzyka oparty na transformatorach, który poprawia wskaźniki wykrywania oszustw o 15%, a jego rozmiar parametrów przekracza 10 GB. Paradygmat rozproszony obejmuje podejścia do dzielenia się parametrami i funkcjami. Dzielenie parametrów (np. FedAvg) agreguje lokalne parametry, ale ma trudności z cechami nie-IID: AUC-ROC spadł z 0,89 do 0,82, a różnice w stopie niewypłacalności wzrosły z 0,5% do 3,5%. Udostępnianie funkcji (np. SecureBoost) umożliwia współpracę pionową, ale wymaga precyzyjnego dopasowania, a wydajność spada o 20%, gdy błędy przekraczają 5%.

Sednem nauki federacyjnej jest umożliwienie wieloinstytucjowego szkolenia współpracy bez konieczności transferu surowych danych. Ten system definiuje uczestników, proces szkolenia oraz funkcję celową. W tym badaniu system składa się z węzłów instytucji Kfinancial (oznaczanych jako P₁, P₂, ..., P_K) oraz koordynatora C. Każda instytucja P_K posiada lokalny zbiór danych , X_k,i∈R_d , które są wektorami cech klienta y_k,i∈{0,1}, dla etykiet ryzyka (0 jest normalne, 1 to oszustwo domyślne), lokalnej wielkości próby, pełnej skali danych. Szkolenie odbywa się w procesie "lokalnej iteracji – globalnej agregacji": i) Inicjalizacja: Koordynator generuje początkowe parametry globalne θ₀ i rozdziela je do wszystkich instytucji; ii) Iteracja lokalna: w rundzie treningowej instytucja P_K opiera się na danych lokalnych i aktualnych parametrach globalnych θ_t, minimalizując lokalną funkcję strat poprzez spadek gradientu, otrzymuje zaktualizowane parametry lokalne θ_t,k, czyli:

 (2)

Gdzie n to szybkość uczenia się, a ∇_θL,_k(θ_t) to gradient lokalnej straty, a θ_t to gradient lokalnej straty a θ_t; iii) Agregacja globalna: Instytucja szyfruje i przesyła parametr lokalny do koordynatora, koordynator generuje nowe globalne parametry θ_t+1 poprzez ważoną agregację wielkości próby:

 (3)

iv) Warunek końcowy: Powtarzaj kroki 2-3, aż wydajność globalnego modelu na zbiorze walidacyjnym nie poprawi się przez kolejne rundy, następnie wydaj ostateczny model. θ^* = θ_T. Biorąc pod uwagę nieniezależne cechy danych finansowych dotyczące nie-identycznego rozkładu (Non-IID), konieczne jest rozszerzenie założeń tradycyjnego federacyjnego uśredniania (Fed AvgP_k). Niniejsze badanie wykorzystuje podwójne wymiary: "heterogeniczność rozkładu etykiet" oraz "heterogeniczność rozkładu cech" do charakteryzowania nie-IID: Niech proporcja pozytywnych przypadków (zdarzeń domyślnych) w instytucjach zostanie zdefiniowana jako:

 (4)

Zdefiniuj współczynnik izomorfizmu tagów ; Niech średnia różnica cech zbioru wyniesie ,Gdy α>0,03 i kiedy, Określa się jako scenariusz o wysokim poziomie nie-IID.

W zależności od zdolności i celu atakującego, scenariusze zagrożenia dzielą się na trzy kategorie, jak pokazano w Tabeli 4

Rodzaj zagrożenia	Tożsamość atakującego	worek treningowy	Typowe środki
Atak półprawdy	Instytucje uczestniczące/koordynatorzy	Wywnioskuj cechy klientów innych instytucji	Inwersja gradientu i ataki z rozumowaniem członków oparte na parametrach modelu
Atak wrogi	Złośliwe instytucje	Globalny model zanieczyszczenia	Przesyłaj fałszywe gradienty i modele trucizny
Atak zewnętrzny	Nieautoryzowane osoby trzecie	Parametry/cechy kradzieży w trakcie transportu	Ataki pośrednie, podsłuchiwanie łączy komunikacyjnych

Tabela 4: Klasyfikacja modelu zagrożeń systemu finansowego.

Stosując (ε,δ) -Różnicową prywatność (Differential Privacy, DP) jako podstawowy standard ochrony prywatności, jej istotą jest dodanie szumów, aby wpływ "czy zbiór danych zawiera próbkę" na wyjście modelu można było zignorować. Formalna definicja jest następująca: Dla algorytmów uczenia federacyjnego M, jeśli dla dowolnych dwóch sąsiadujących zbiorów danych i różniących się tylko o jedną próbę (DΔD' = 1), a także dowolnego wyjścia S⊆Range(M), spełnia ona:

Pr[M(D)∈S]≤e^ε⋅Pr[M(D^')∈S]+δ (5)

Wtedy nazywa się go spełnionym (ε,δ)-DP. Jednym z nich jest "budżet prywatności" (im mniejsza ochrona prywatności, tym silniejsza jest i zwykle bierze się pod uwagę scenariusz finansowy), δ "prawdopodobieństwo niepowodzenia" (zazwyczaj δ≤^10-5, aby zapewnić, że zdarzenia o niskim prawdopodobieństwie nie wpływają na prywatność i bezpieczeństwo). Aby dostosować się do cech wielorundowych iteracji w federowanym treningu, całkowite zużycie prywatności oblicza się za pomocą twierdzenia o kombinacji "Renyi differential privacy" (RDP). Niech budżet prywatności każdej rundy szkolenia będzie ε_t, to całkowity budżet prywatności po zakończeniu cyklu spełnia:

   (6)

Twierdzenie to stanowi teoretyczną podstawę adaptacyjnej kalibracji szumu poprzez dynamiczne przydzielanie budżetu prywatności na rundę.

FedRisk stosuje rygorystyczny (ε, δ) system różnicowy dotyczący prywatności (DP), dynamicznie alokując budżety prywatności za pomocą twierdzenia o kompozycji Rényi DP (RDP). Definiuje globalną czułość Δf jako maksymalną zmianę parametrów modelu w normie L1 wywołaną przez sąsiednie zbiory danych (różniące się pojedynczą próbką), z uwzględnieniem wariancji kalibracji szumu Laplace'a (współczynnik szumu κ_t proporcjonalny do fluktuacji rozkładu danych). W ramach całkowitego budżetu prywatności ε=5 (spełniających progi zgodności z RODO), RDP przekształca wielorundowe zużycie prywatności na (ε, δ)-DP (δ=10⁻⁵), równoważąc siłę ochrony z użytecznością modelu empiryczne, pokazując, że ogranicza to AUC ataków inferencyjnego przez członków do 0,58, jednocześnie utrzymując prognozę ryzyka AUC-ROC na poziomie 0,912.

Optymalizacja modeli kontroli ryzyka finansowego musi jednocześnie spełniać trzy wymogi regulacyjne: "predykcyjną dokładność", "ochronę prywatności" oraz "sprawiedliwość". Tradycyjne funkcje optymalizacyjne, które dążyły wyłącznie do minimalizacji strat, nie są już stosowalne. Należy ustanowić wielocelowe ramy optymalizacyjne, które przekształcą ograniczenia regulacyjne w mierzalne terminy regularizacji. W scenariuszach klasyfikacji binarnej (domyślnie/normalnie) logaritmowa strata (LogLoss) jest przyjmowana jako podstawowa funkcja strat do pomiaru odchylenia między prawdopodobieństwami prognozowanymi przez model a rzeczywistymi etykietami, definiowana jako:

   (13)

Gdzie p_k,i = σ(θ; x_k,i) to przewidywane domyślne prawdopodobieństwo próby (x_{k,i,y k,i}) dla modelu, σ(⋅) to funkcja aktywacji Sigmoidal.

Wymogi RODO, Ustawy o ochronie danych osobowych oraz innych regulacji zostały przekształcone w trzy rodzaje terminów regularizacji, które łączą się z podstawową funkcją utraty, tworząc ostateczny cel optymalizacji:

   (14)

Definicja i funkcja każdego terminu regularizacyjnego przedstawiają się następująco: i) Ograniczenia prywatności: Na podstawie kosztu dodawania szumu różnicowego prywatności omawiany jest wpływ ilościowej ochrony prywatności na dokładność modelu. Niech globalna czułość modelu Δparametrów wynosi (czyli maksymalna zmiana parametrów spowodowana sąsiednimi zbiorami danych), wtedy:

   (15)

Ten termin zapewnia, że zwiększona intensywność hałasu odpowiada budżetowi prywatności i unika nadmiernych poświęceń dla dokładności modelu. II) Ograniczenie uczciwości: W świetle wymogów "antydyskryminacyjnych" zawartych w Ustawie o ochronie danych osobowych, błędy predykcyjne różnych grup są ograniczone. Weźmy jako przykład "parytet demograficzny" (DemographicParity), niech dodatnia progencja zbioru wynosi , wtedy:

(16)

Ten termin minimalizuje różnicę w wskaźniku predykcji między różnymi grupami i unika dyskryminacji modelu. III) Ograniczenia odporności: W odpowiedzi na wymagania "zdolności modelowania antyinterferencyjnego" w Basel III, należy zapewnić, że drobne zaburzenia danych nie wpływają znacząco na wyniki modelu. Dodając próbkę przeciwną Δx perturbacji (spełniających |Δx|_∞≤γ) badania definiują:

   (17)

Poprawia się odporność modelu poprawy terminu na nieprawidłowe dane, a ryzyko błędnej oceny jest zmniejszone. W tym wzorze jest współczynnikiem regularizacji, który został określony przez walidację krzyżową (w tym badaniu λ₁=0,01,λ₂=0,05,λ₃=0,02). Zapewniono równowagę między trzema celami regulacyjnymi a dokładnością prognozy.

Protokół

Architektura systemu

Kros-instytucjonalna warstwa bazodanowa i warstwa semantyczna

Aby rozwiązać problem heterogeniczności danych międzyinstytucjonalnych, badania konstruują architekturę warstwy bazodanowo-sieciowej poprzez podział na węzły zorientowane na domenę. Każda instytucja finansowa działa jako niezależny węzeł domeny danych, zachowując prawa własności i kontroli, a warstwa semantyczna umożliwia zjednoczony zakres rozumienia i interakcji danych. Warstwa semantyczna oparta na ontologii ustanawia zjednoczony model danych do kontroli ryzyka finansowego, definiując podstawowe encje, mapowanie atrybutów i relacje między encjami. Szczegółowe reguły mapowania semantycznego są przedstawione w Tabeli 5. Dla pól specyficznych dla instytucji, standaryzowane konwersje są osiągane za pomocą funkcji mapowania semantycznego:

  (18)

Encja rdzeniowa	Nazwa pola A instytucji	Nazwa pola B w instytucji	Jednolita nazwa pola warstwy semantycznej	Typ danych	Reguły standaryzowane
Klient	Ocena klienta premium (1-5)	Poziomy klientów VIP (brąz do diamentu)	Ocena kredytowa klienta (1-5)	Liczba całkowita	Brąz→1, Srebro→2, Złoto→3, Platyna→4, Diament→5
Biznes	Kwota transakcji (tysiące juanów)	Kwota transakcji (juany)	Kwota transakcji (juany)	Liczba zmiennoprzecinkowa	Wartość pola A w instytucji jest 10 000 razy większa
Wniosek o kredyt	Kwotowność wnioskodawcy (stosunek kredytu)	Spodziewana kwota pożyczki	Kwota pożyczki wnioskodawcy (juany)	Liczba zmiennoprzecinkowa	Instytucja A: Łączna kredytność × stosunek kwoty wniosku; Instytucja B: bezpośrednie mapowanie

Tabela 5: Zasady semantycznego mapowania rdzeniowych encji w dziedzinie kontroli ryzyka finansowego.

Oto x_i,j, i-ta szczególna wartość pola instytucji j, min(x_j) i max(x_j) to minimalne i maksymalne wartości pola wewnątrz instytucji, odpowiednio, U_j i L_j określają górny i dolny limit zakresu wartości jednolitej dla tego pola na warstwie semantycznej.

Globalny rejestr modeli i ścieżka audytu oparta na technologii Blockchain

Aby rozwiązać problemy z chaotycznym zarządzaniem wersjami modeli i nieśledzionymi procesami treningowymi w uczeniu się federacyjnym, zastosowano technologię Blockchain do utworzenia globalnego rejestru modeli i systemu śledzenia audytu. Wykorzystując konsorcjalną architekturę Blockchain, węzły uczestniczące obejmują instytucje finansowe, koordynatorów federacyjnych i organy regulacyjne, zapewniając niezmienność danych i wielostronną zgodę²³. Globalny rejestr modeli przechowuje rdzeniowe metadane modeli, w tym numery wersji, rundy szkoleniowe H_v, listy uczestniczących instytucji, parametry strukturalne i wskaźniki wydajności. Te metadane są przechowywane w strukturze drzewa Merkle, przy czym każda wersja modelu odpowiada unikalnej wartości skrótu:

   (19)

Tutaj v to numer wersji modelu, T to całkowita liczba rund szkoleniowych, S to zbiór instytucji uczestniczących w szkoleniu, ID_i to unikalny identyfikator instytucji i, θ_v to wektor parametrów modelu dla wersji v, a AUC_v to wartość AUC-ROC tej wersji modelu.

Federacyjny potok inżynierii cech

Bezpieczne wyrównanie encji i harmonizacja schematu

Inżynieria cech jest rdzeniową częścią współpracy międzyinstytucjonalnej w zakresie danych, wymagającą efektywnej ekstrakcji, wyrównania i agregowania cech przy zapewnieniu prywatności danych. To badanie zaprojektowało kompleksowy potok obejmujący bezpieczne wyrównanie encji, koordynację schematów i agregowanie grafu transakcji z osadzonym prywatnością różnicującą, aby zaadresować zarówno heterogeniczność cech międzyinstytucjonalnych, jak i ryzyko wycieku prywatności

Wyniki

Wydajność predykcyjna: Zbliżanie się do poziomu modeli scentralizowanych w scenariuszach nie-IID

W rzeczywistych scenariuszach z danymi silnie nie-IID (wahania wskaźnika niewypłacalności instytucjonalnej od 0,2%-3,5%), FedRisk wykazuje wyjątkowe zdolności do różnicowania ryzyka, co pokazano w Tabeli 12. Jej AUC-ROC osiąga 0,912, PR-AUC 0,823, wynik Brier 0,042, a wskaźnik fałszywych pozytywnych (FPR) 1,02%. Wskaźniki te nie tylko spełniają podstawowe wymagania...

Dyskusja

Strategia dynamicznego strojenia hiperparametrów, szczególnie planer szybkości uczenia się z wyżarowaniem kosinusowym, okazała się kluczowa dla równoważenia prędkości zbieżności i stabilności modelu. Poprzez zmniejszenie tempa uczenia się z 0,05 do 0,00025 w ciągu 100 epok, podejście to przyspieszyło konwergencję na wczesnym etapie, minimalizując jednocześnie zmienność na późnym etapie – skracając czas treningu o 37% i poprawiając walidację AUC-ROC o 2,3% w porównaniu do harmonogramów o stałym oprocentowaniu. Równie isto...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Laptop Computer	Dell Technologies	Nie ma	Wykorzystywane do przetwarzania danych i dokumentacji
Oprogramowanie statystyczne (SPSS)	IBM Corp.	Wersja 26.0	Wykorzystywane do analizy statystycznej
Microsoft Excel	Microsoft	Office 365	Wprowadzanie danych i podstawowa obsługa danych