一种用于信用卡欺诈检测的隐私保护数据增强方法

《Scientific Reports》：A privacy-preserving data augmentation approach for credit card fraud detection

　　

摘要

信用卡欺诈检测面临双重挑战：一方面是严重的类别不平衡问题（欺诈率低于0.2%），另一方面是严格的隐私法规限制了跨机构的数据共享。联邦学习（Federated Learning，FL）允许多个组织在保护隐私的同时共同训练一个模型。为了解决这些问题，本文提出了一种名为“联邦学习合成少数样本过采样技术”（Federated Learning Synthetic Minority Oversampling Technique，FL-SMOTE）的方法，该技术通过半诚实对手模型（semi-honest adversary model）来缓解上述限制。其核心创新在于一种混合加密架构，该架构结合了部分同态加密（用于安全的最近邻排序）和Cheon-Kim-Kim-Song（CKKS）加密方案（用于加密样本生成和模型训练）。部分同态加密支持欧几里得距离的计算、密文比较以及隐私保护的排序功能，而CKKS加密方案则被集成到FL-SMOTE框架中，以确保联邦学习过程中的训练和数据聚合安全。此外，客户端损失函数中加入了二次项，以减轻局部模型与加速后的全局模型之间的偏差。在两个公开数据集上的实验中，FL-SMOTE的F1分数分别为0.825（信用卡欺诈数据集）和0.565（德国信用数据集），分别比基础联邦学习算法提高了12.1%和16.8%。尽管使用了加密算法，模型的AUC值仍与未加密模型相当（分别为0.91和0.92），同时计算复杂性相比传统的Paillier加密方法降低了53倍。