基于同态加密的隐私保护信用卡欺诈检测
该研究在机器学习应用到敏感数据时,结合同态加密技术和神经网络提供了两种解决方案,分别是提高深度和宽度相对较高的网络精度和降低网络推理的延迟时间以提供更好的隐私保障。这两种方案应用于几个计算机视觉任务,并获得了良好的效果。
Dec, 2018
通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择,本研究致力于创新应用于更可靠和精确的欺诈检测,通过与多个广泛采用的模型进行性能比较,包括支持向量机(SVM),随机森林,神经网络和逻辑回归等,比较指标如 Precision,Recall 和 F1 Score,结果表明 Transformer 模型在传统应用中表现出色,并在欺诈检测等领域展示了巨大潜力,为该领域带来实质性进展。
Jun, 2024
全球金融犯罪活动推动了欺诈预防中对机器学习解决方案的需求。然而,由于对意外泄露和对抗性攻击的担忧,预防系统通常被独立地提供给金融机构,并且几乎没有数据共享的规定。我们在本文中提出了一个从隐私角度设计、在最近的 PETs 奖励竞赛中获奖的合作深度学习框架,用于欺诈预防。我们利用不同长度交易序列的潜在嵌入表示以及局部差分隐私来构建一个安全地通知外部托管的欺诈和异常检测模型的数据发布机制。我们在由大型支付网络捐赠的两个分布式数据集上评估了我们的贡献,并展示了对流行的推断时攻击的鲁棒性,以及类似于替代应用领域的效用 - 隐私权衡。
Jan, 2024
本文介绍了一种最先进的混合集成可靠的机器学习模型,利用多个算法与合理的加权优化(使用网格搜索)智能结合,包括决策树、随机森林、K - 最近邻、多层感知器,以提高欺诈识别能力。该模型在公开可用的信用卡数据集上的实验中取得了令人印象深刻的准确率,分别为 99.66%、99.73%、98.56% 和 99.79%,集成模型达到了完美的 100%。该混合集成模型优于现有的作品,为高频情况下检测欺诈交易建立了新的基准,突出了该方法的有效性和可靠性,展示了其在实际欺诈检测应用中的卓越潜力。
Feb, 2024
我们提出了一种新颖的技术,结合了全同态加密(FHE)和现有的模板保护方案 PolyProtect,通过多项式变换将嵌入式压缩加密,进一步保护密集的 PolyProtect 模板,确保面部嵌入的不可逆性和不可关联性,有效地防止了从面部嵌入中泄露软生物识别属性而不损害识别准确性。
Apr, 2024
提出了一种名为 CryptoNN 的框架,该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练,以解决神经网络模型训练过程中的隐私问题,并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。
Apr, 2019
本文提出了一种使用全同态加密技术 (Fully Homomorphic Encryption, FHE) 来实现隐私保护文本分类的高效方法,旨在在不泄漏数据隐私的前提下,保持预测准确性。
Aug, 2019
本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略,并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明,尽管同态加密可以为神经网络提供强大的数据隐私保证,但仍存在许多挑战需要解决,例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。
May, 2023