Föderiertes Lernen im Finanzwesen

In einem üblichen Trainingsaufbau beginnt jedes Institut mit demselben Modell und trainiert es anhand lokaler Aufzeichnungen. Ein Aggregator kombiniert die resultierenden Updates zu einer weiteren Version des gemeinsamen Modells. Federated Averaging kombiniert Modellupdates über wiederholte Trainingsrunden, wobei sich die Modellparameter während des Trainings verändern.

Bei einer Bank kann der lokale Datensatz Transaktionsmerkmale und geprüfte Betrugsfälle enthalten. Ein gemeinsames Modell könnte von teilnehmenden Instituten lernen, ohne eine einzige zentrale Kopie dieser Rohdaten zu benötigen. Die Zusammenarbeit benötigt weiterhin einen definierten Zweck und einheitliche Regeln zur Aufbereitung der Trainingseingaben.

Horizontales föderiertes Lernen nutzt ähnlich strukturierte Informationen über unterschiedliche Datensätze bei den Teilnehmern. Banken können dieselben Transaktionsfelder für ihre jeweils getrennten Kundenpopulationen besitzen. Gemeinsame Felddefinitionen ermöglichen den Instituten das Training vergleichbarer lokaler Modelle vor der Kombination der Updates.

Vertikales föderiertes Lernen umfasst unterschiedliche Informationen über übereinstimmende Personen oder Organisationen bei mehreren Teilnehmern. Eine Finanzkooperation muss dann zusammengehörige Aufzeichnungen feststellen, ohne unnötige identifizierende Informationen offenzulegen. Gemischte Aufbauten kombinieren beide Muster und erfordern eine entsprechend sorgfältige Bewertung des Zuordnungsprozesses.

Der BIS Innovation Hub testete gemeinsame Methoden zur Erkennung von Geldwäsche im Rahmen von Project Aurora. Project Aurora verwendete synthetische Zahlungsdaten zum Vergleich von Überwachungsansätzen über getrennte Institute und Ländergrenzen hinweg. Project Aurora war ein Machbarkeitsnachweis mit maschinellem Lernen, Netzwerkanalyse und Technologien zum Schutz der Privatsphäre.

Project Aurora testete föderiertes Training mit lokalen Daten, um Datensouveränität innerhalb der Zusammenarbeit zu untersuchen. Diese experimentellen Ergebnisse belegen keine Produktionsleistung für eine einzelne Bank. Netzwerkanalysen für AML untersuchen finanzielle Beziehungen, während föderiertes Lernen das gemeinsame Modelltraining über verteilte Datensätze beschreibt.

Modellgradienten können Informationen über zugrunde liegende Trainingsaufzeichnungen offenlegen, selbst wenn Kundenrohdaten lokal bleiben. Ein Gradient misst, wie sich der Modellfehler bei einer Änderung der Modellparameter verändert. Teilnehmer müssen die für den Aggregator und andere Beteiligte sichtbaren Informationen ihres tatsächlichen Aufbaus bewerten.

Die relevanten Fragen betreffen Empfänger einzelner Updates und mögliche Nutzer des resultierenden Modells. Auch der Zugriff auf aufeinanderfolgende Modellversionen kann Bestandteil der Datenschutzbewertung sein. Ein Konsortium sollte die angenommenen Angreifer dokumentieren, bevor es Schutzmaßnahmen für seine Finanzdatensätze auswählt.

Sichere Aggregation kann einzelne Modellupdates vor dem Aggregator verbergen und dabei die Berechnung eines aggregierten Ergebnisses ermöglichen. Der Schutz hängt vom gewählten Protokoll und dessen Annahmen über die beteiligten Parteien ab. Teams sollten Absprachen zwischen Beteiligten und Teilnehmerausfälle untersuchen, wenn sie diese Annahmen für ihre Zusammenarbeit bewerten.

Differential Privacy ergänzt kontrollierte Zufälligkeit während des Trainings, um Rückschlüsse auf einzelne Trainingsbeiträge zu begrenzen. Die Einstellungen für den Datenschutz können die Nutzbarkeit des resultierenden Finanzmodells beeinflussen. Wiederholtes Training und Modellveröffentlichungen erfordern eine dokumentierte Datenschutzbilanzierung und eine Bewertung der Erkennungsqualität.

Teilnehmende Banken können sich bei Kundenpopulationen, verfügbarer Historie und der Kennzeichnung bestätigter Fälle unterscheiden. Ein Modell mit besserem Gesamtergebnis kann dennoch bei einem Institut schlecht abschneiden. Die Bewertung sollte lokale Ausgangswerte mit dem gemeinsamen Modell anhand von Fällen und Zeiträumen außerhalb des Trainings vergleichen.

Der Modellvalidierungsprozess in Banken kann Erkennungsqualität gemeinsam mit dem entstehenden Arbeitsaufwand für Analysten untersuchen. Teams sollten übersehene Fälle und die Folgen irrtümlich markierter Transaktionen prüfen. Datendefinitionen, Modellversionen und jedes Bewertungsergebnis benötigen über die gesamte Zusammenarbeit hinweg verantwortliche Eigentümer.

Ein vorgeschlagener Pilot kann mit einer Frage zur Finanzkriminalität und einer begrenzten Institutsgruppe beginnen. Die Teilnehmer können zulässige Trainingseingaben und messbare Annahmekriterien vor dem Austausch von Updates festlegen. Tests sollten einen getrennten Teilnehmer und ein Update einschließen, das vereinbarte Qualitätsprüfungen nicht besteht.

Der Pilot benötigt außerdem eine Entscheidung zum Modellzugriff nach dem Training und zum Umgang mit späteren Korrekturen. Jede Bank sollte festlegen, wie ein Modellergebnis in ihren bestehenden Untersuchungsprozess eingeht. Eine Entscheidung zum Produktionseinsatz erfordert Nachweise aus diesem tatsächlichen Betriebskontext.