arXiv cs.AI· Maria-Ioana-Andrea Ivan, Orhan Ermis, Ruxandra F. Olimid·· 3 天前AI 评分22
Enhanced Detective：用联邦学习双阶段防御金融欺诈检测中的内部投毒攻击
Enhanced Detective: A Dual-Stage Proactive Defense Against Internal Poisoning Attacks in Financial Fraud Detection Using Federated Learning
AI 导读
针对联邦学习金融欺诈检测中恶意客户端投毒问题，研究者提出 Enhanced Detective 双阶段鲁棒聚合策略，结合 MAD、基于距离的更新过滤与 FedMedian 聚合。在不平衡信用卡数据集上，面对 40% 恶意客户端、50 轮通信下的定向标签翻转与权重缩放攻击，该方案取得 0.796 AUPRC 和 0.847 Recall。
正文 · AI 翻译
摘要：随着人工智能（AI）的近期发展，联邦学习（FL）等分布式学习范式应运而生。简而言之，FL 使多个实体能够在不共享本地数据的情况下协作训练 AI 模型。FL 范式在金融服务等隐私敏感场景中尤为有价值，因为它使机构能够在保持敏感交易数据本地化的同时，协作改进欺诈检测模型。然而，FL 方案容易受到安全漏洞的影响，恶意客户端可以污染本地数据或模型更新并降低全局模型的质量，因此所得模型的性能可能会受到影响。为此，在本工作中，我们提出了 Enhanced Detective，一种结合中位数绝对偏差（MAD）、基于距离的更新过滤和 FedMedian 聚合的双阶段鲁棒聚合策略。在不平衡信用卡数据集上的实验评估了 50 轮通信中的定向标签翻转和权重缩放攻击。在 40% 恶意客户端的情况下，Enhanced Detective 达到了 0.796 的 AUPRC 和 0.847 的召回率。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17523 [cs.CR] |
| （或 arXiv:2610.17523v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17523 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ruxandra F. Olimid [查看电子邮件]
[v1]
2026年10月13日星期二 00:37:22 UTC（21,250 KB）
来源：arXiv cs.AI · arxiv.org