Privacy-Preserving Credit Risk Prediction with Alternative Data
School of Management and Economics, The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)(香港中文大学(深圳)管理学院);School of Management, Fudan University(复旦大学管理学院);Lerner College of Business and Economics, University of Delaware(特拉华大学勒纳商学院)
针对信用风险预测中替代数据共享导致的隐私泄露问题,提出PrivacyCredit方法,在保护消费者隐私、模型保密性和无损性能约束下,实现与传统明文数据组合相同的预测性能。
2026-06-09 cs.CR cs.LG
Privacy-Preserving Methods for Sharing Financial Risk Exposures
与知识产权可申请专利的其他行业不同,金融业依靠贸易保密来保护其业务流程和方法,这可能会使监管机构和公众无法了解关键的金融风险。我们开发了共享和汇总此类风险敞口的方法,以保护所有相关方的隐私,而无需可信的第三方。我们的方法采用安全的多方计算技术从密码学中,多方能够计算联合函数,而不透露他们各自的输入。在我们的框架中,各个金融机构评估其专有数据的协议,这些数据不能被反转,从而导致对实值统计数据的安全计算,例如集中指数,成对相关性以及其他单点和多点统计数据。所提出的协议是计算上听话的现实样本量。潜在的金融应用包括:构建保护隐私的银行资本和杠杆率实时指数;监测委托的证券投资;财务审计;以及公布专有交易策略的新指数。
2011-11-25 cs.CE cs.CR q-fin.CP
Big Data Privacy in Emerging Market Fintech and Financial Services: A Research Agenda
针对新兴市场金融科技数据隐私风险,白皮书提出含格局分析、隐私定义、风险与技术方案、非技术手段、方案权衡五方向的研究议程,推动负责任的消费者导向数据应用发展。
2023-10-08 cs.CR
Identifying and Supporting Financially Vulnerable Consumers in a Privacy-Preserving Manner: A Use Case Using Decentralised Identifiers and Verifiable Credentials
弱势个人作出合理的财务决定和选择的能力有限,因此,金融机构向他们提供的适当照顾水平可能与其他消费者所需的不同。因此,查明脆弱性对于设计和有效提供金融服务和产品至关重要。然而,验证客户共享的信息并尊重他们的隐私在金融领域尤为重要,这对识别和照顾弱势群体构成了挑战。本立场文件探讨了两种新兴技术--去中心化标识符(DID)和可验证凭据(VC)--的组合,以有效和保护隐私的方式识别金融领域的弱势消费者的潜力。
2021-06-10 cs.CR cs.CY cs.HC
DPFedBank: Crafting a Privacy-Preserving Federated Learning Framework for Financial Institutions with Policy Pillars
本文提出DPFedBank框架,通过自适应本地差分隐私与先进密码技术结合,并制定全面安全策略,解决金融机构在联邦学习协作中的隐私与安全问题。
2024-10-17 cs.CE cs.CR cs.CY
Privacy-Preserving Federated Learning over Vertically and Horizontally Partitioned Data for Financial Anomaly Detection
IBM Research(IBM研究院)
针对金融异常检测中数据同时纵向与横向分区且机构间缺乏信任的问题,提出PV4FAD方案,结合全同态加密、安全多方计算、差分隐私与随机化技术,在训练与推理阶段兼顾隐私保护和模型准确性,并生成随机森林集成模型以提升检测性能。
2023-10-30 cs.CR cs.LG
Transparency and Privacy: The Role of Explainable AI and Federated Learning in Financial Fraud Detection
Anglia Ruskin University(安格利亚鲁斯金大学)
本研究提出结合联邦学习与可解释人工智能的欺诈检测方法,在保护数据隐私的同时实现透明可解释的检测,实验证明其高性能与有效性。
2023-12-20 cs.AI cs.CR cs.LG
Mitigating Explanation Leakage in Financial Fraud Detection Systems
London Metropolitan University(伦敦都市大学);School of Computing and Digital Media(计算与数字媒体学院)
针对金融欺诈检测中联邦学习结合TreeSHAP解释易受成员推理攻击的问题,提出客户端级差分隐私的DP-FedSHAP架构,权衡解释保真度、隐私与AUPRC性能。
2026-08-25 cs.CR cs.LG
Privacy-preserving Fuzzy Name Matching for Sharing Financial Intelligence
针对金融机构间数据共享受限的问题,提出基于全同态加密和MinHash签名的隐私保护模糊姓名匹配方案,利用聚类提升效率,仅揭示潜在匹配可能性,搜索性能满足需求且通信开销大幅降低。
2024-11-08 cs.CR
Privacy-Preserving GNN Inference on Financial Transaction Graphs via Homomorphic Encryption
Delft University of Technology(代尔夫特理工大学);Sabancı University(萨班哲大学)
本文针对多银行金融场景,提出基于CKKS同态加密的以边为中心的GNN推理框架,在保护交易特征隐私的同时,在IBM AML基准上达到与明文基线相当的性能,端到端分类延迟低至5.31秒。
2026-10-15 cs.CR cs.LG
Privacy Preserving Data Analytics in 5G-Enabled IoT for the Financial Industry
像5G这样的下一代无线网络承诺更快的速度,更短的延迟以及连接更多设备的能力。这些好处将使未来社会发生巨大变化,赋予智慧城市,实现自动驾驶汽车,增强业务流程,改变消费者行为等。在金融行业,银行评估物联网(IoT)技术和边缘计算的部署,以更好地与客户互动,例如,其中一个趋势是将单一的业务应用系统分解为微服务,以部署在分布式边缘服务器上,从而减少网络延迟并改善服务。这种移动在保护接入点之间的业务数据的安全性和隐私方面带来了挑战。本文介绍了一种新的架构和协议,以解决金融行业的用例。该解决方案假设在边缘服务器上部署信用评估模型。该模型接受并处理寻求在线信用评估的潜在客户提交的加密数据。加密后的评估结果将发送回客户进行解密和解释。数据传输采用异步通信方式,数据保护采用同态加密。概念验证实验表明,所提出的方法可以实现与短的响应时间和合理的预测精度。
2022-05-08 cs.CR
Decoupling Identity from Utility: Privacy-by-Design Frameworks for Financial Ecosystems
Capital One
本文提出通过差分隐私合成数据解决金融机构在最大化数据效用与缓解传统匿名化方法重新识别风险之间的矛盾,探讨了两种生成范式并展示了其在动态市场行为建模中的应用。
2026-04-16 cs.AI cs.CE cs.CR
Survey of Security and Data Attacks on Machine Unlearning In Financial and E-Commerce
本文综述了金融与电商场景下针对机器遗忘的隐私与安全攻击,并系统梳理了差分隐私、密码学保证和零知识证明等防御策略,以保障数据完整性与模型安全。
2024-09-29 cs.CR cs.LG
Federated and Privacy-Preserving Learning of Accounting Data in Financial Statement Audits
University of St.Gallen (HSG)(圣加仑大学(HSG));Deutsche Bundesbank(德意志联邦银行)
正在进行的“数字化转型”从根本上改变了审计证据的性质、记录和数量。如今,国际审计准则(ISA)要求审计师检查大量财务报表的基础数字会计记录。因此,审计事务所也“提升”了他们的分析能力,并投资于深度学习(DL),这是机器学习的一个成功的子学科。DL的应用提供了从多个客户端的数据中学习专门的审计模型的能力,例如,在同一行业或司法管辖区内经营的组织。一般而言,法规要求审计人员遵守严格的数据保密措施。与此同时,最近有趣的发现表明,大规模DL模型很容易泄漏敏感的训练数据信息。如今,审计公司如何在遵守数据保护法规的同时应用深度学习模型仍然不清楚。在这项工作中,我们提出了一个联邦学习框架,训练DL模型审计相关的会计数据的多个客户端。该框架包含差分隐私和分割学习功能,以减轻模型推断的数据机密性风险。我们评估我们的方法来检测会计异常在三个现实世界的城市支付数据集。我们的研究结果提供了经验证据,审计师可以受益于DL模型,积累知识,从多个来源的专有客户数据。
2022-08-26 cs.CE cs.CR cs.LG
Privacy-Preserving Financial Anomaly Detection via Federated Learning & Multi-Party Computation
针对金融机构跨机构数据共享受限、难以联合训练高精度异常检测模型的问题,提出融合联邦学习、多方计算与加噪聚合的隐私保护框架,在美英PETs挑战赛金融犯罪赛道获奖,可在保护隐私的同时将模型AUPRC从0.6提升至0.7。
2023-10-06 cs.CR
Panther: A Cost-Effective Privacy-Preserving Framework for GNN Training and Inference Services in Cloud Environments
School of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院);College of Information Engineering, Shanghai Maritime University(上海 Maritime University 信息工程学院)
Panther是一种在云环境中降低GNN隐私保护成本的框架,通过异步四方计算和随机填充技术,显著减少训练和推理时间及通信开销。
2025-11-03 cs.CR cs.LG
The Illusion of Anonymity: Uncovering the Impact of User Actions on Privacy in Web3 Social Ecosystems
本研究揭示Web3社交生态中伪造活动、高参与度用户行为等会放大隐私风险,指出需更严格的隐私措施与伦理规范以应对相关挑战。
2024-05-22 cs.CR
Analyzing Bias in Sensitive Personal Information Used to Train Financial Models
IBM Research — Africa(IBM研究院(非洲))
数据中的偏差可能会产生意想不到的后果,这些后果会传播到机器学习模型的设计、开发和部署中。在金融服务部门,这可能导致某些金融工具和服务的歧视。与此同时,数据隐私至关重要,最近的数据泄露事件对大型机构的声誉造成了损害。本文提出的是一个可信的模型生命周期管理平台,试图确保消费者数据保护,匿名和公平。具体来说,我们研究了如何使用深度学习技术来复制数据集,以有效地保留数据集中的重要统计特征,同时保护数据隐私,并在当前实践状态之外安全可靠地共享敏感的个人信息。
2019-11-09 cs.CR cs.DB cs.LG
DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning
A*STAR IHPC(A*STAR 国家实验室信息物理计算中心);SRM University-AP(SRM 大学-安得拉邦);Evyd Singapore(Evyd 新加坡)
本文提出DPxFin框架,通过声誉引导的自适应差分隐私技术,在反洗钱检测中提升隐私保护与模型效用的平衡。
2026-03-14 cs.CR cs.LG
Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering
Nanyang Technological University(南洋理工大学)
本研究提出利用全同态加密的隐私保护图机器学习方法,实现跨机构协作反洗钱,开发了GNN和XGBoost两条流水线,在加密推理下保持高精度,并显著提升不平衡数据的F1分数。
2024-11-11 cs.CR cs.LG
Applications of Secure Multi-Party Computation in Financial Services
University of Chadli Bendjedid, Faculty of Sciences & Technology(查德利·本杰迪德大学,科学与技术学院)
本文探讨了安全多方计算在金融服务中的应用,分析了隐私保护的重要性及SMPC在提升计算效率和可扩展性方面的研究方向。
2026-01-01 cs.CR
Simulating the Effects of Social Presence on Trust, Privacy Concerns & Usage Intentions in Automated Bots for Finance
FinBots是建立在自动决策技术基础上的聊天机器人,旨在促进银行业务的可访问性,并支持客户做出财务决策。聊天机器人越来越流行,有时甚至模仿人类的社会规则、期望和规范,减少了人与人之间互动的必要性。随着银行和金融咨询平台转向创建机器人,以提高消费者信任和采用率的现状,我们调查了具有和不具有社会情感特征的聊天机器人对使用聊天机器人进行金融支持的意图的影响。我们进行了一个受试者之间的在线实验,有N = 410名参与者。对照组的参与者被提供了一个描述安全可靠的聊天机器人XRO 23的小插曲,而实验组的参与者被提供了一个描述安全可靠的聊天机器人的小插曲,它更像人类,名为Emma。我们发现,Vignette Emma并没有增加参与者的信任水平,也没有降低他们的隐私问题,尽管它增加了社交存在的感知。然而,我们发现,使用所呈现的聊天机器人进行财务支持的意图受到感知的人性和对机器人的信任的积极影响。与Emma相比,参与者也更愿意向XRO 23分享财务敏感信息,如账号,分类代码和支付信息-揭示了在信息共享方面对技术和机械FinBot的偏好。总的来说,这项研究有助于我们理解使用具有不同功能的聊天机器人作为金融技术的意图,特别是当独立于金融功能设计时,社会情感支持可能不会受到青睐。
2020-07-03 cs.CR cs.HC
Integrating Feature Attention and Temporal Modeling for Collaborative Financial Risk Assessment
Northeastern University(东北大学);New York University(纽约大学);Columbia University(哥伦比亚大学)
本文提出一种基于联邦学习的金融风险评估框架,通过特征注意力与时序建模、差分隐私和噪声注入,在保护数据隐私的前提下实现多机构协同建模,并在多项指标上优于集中式方法和现有联邦学习变体。
2025-08-21 cs.CR cs.LG
The Role of Federated Learning in Improving Financial Security: A Survey
Department of Computer Science Tennessee Technological University(计算机科学系 田纳西技术大学);Department of Finance Tennessee Technological University(金融系 田纳西技术大学)
本综述系统梳理联邦学习在金融安全中的应用,提出按监管暴露水平分类的新框架,并讨论数据异构、对抗攻击等挑战及区块链、差分隐私等未来方向。
2025-10-07 cs.AI cs.CR
Privacy-Preserving Credit Card Approval Using Homomorphic SVM: Toward Secure Inference in FinTech Applications
本文提出PP-FinTech方案,利用CKKS同态加密SVM、混合核和自适应阈值机制,在信用卡审批中实现隐私保护且性能接近明文模型的安全金融机器学习推理。
2025-05-09 cs.CR
ethp2psim: Evaluating and deploying privacy-enhanced peer-to-peer routing protocols for the Ethereum network
针对以太坊网络级隐私研究不足的问题,提出点对点网络模拟器ethp2psim,支持实现并评估隐私增强型路由算法的隐私保证,辅助选择协议参数以实现高效、稳健且隐私的部署。
2023-06-26 cs.CR cs.NI
Efficient and Secure Federated Learning for Financial Applications
China University of Political Science Law(中国政法大学);Xi’an Jiaotong University(西安交通大学);Ant Rongxin (Chengdu) Network Technology Co Ltd(蚂蚁融信(成都)网络科技有限公司)
传统的机器学习(ML)和深度学习方法需要与外部征信机构共享客户的敏感信息,以生成预测模型,从而为隐私泄露打开大门。这种漏损风险使金融公司的合作面临巨大挑战。联邦学习是一种可以保护数据隐私的机器学习设置,但高昂的通信代价往往是联邦系统的瓶颈,特别是对于大型神经网络。限制通信的数量和大小对于大型神经结构的实际训练是必要的。梯度稀疏化作为一种降低通信开销的方法受到越来越多的关注,它只更新重要的梯度,并在局部累积不重要的梯度。然而,安全聚合框架不能直接使用梯度稀疏化。本文提出了两种稀疏化方法,以减少联邦学习中的通信成本。一种是模型参数更新的时变分层稀疏化方法,解决了高比率稀疏化后模型精度的保持问题。它可以大大降低单次通信的成本。二是将稀疏化方法应用于安全聚合框架。我们稀疏加密掩码矩阵,以减少通信的成本,同时保护隐私。实验表明,在不同的Non-IID实验设置下,当稀疏率为0.01时,该方法可以将上传通信开销降低到传统联邦学习算法的2.9%~ 18.9%.
2023-03-15 cs.CR cs.LG
Federated Graph AGI for Cross-Border Insider Threat Intelligence in Government Financial Schemes
Incedo Inc.(Incedo公司);Indian Institute of Technology(印度理工学院);University of Kent(肯特大学)
FedGraph-AGI通过整合AGI推理与联邦图学习,实现了隐私保护下的跨境内部威胁检测,准确率高达92.3%。
2026-02-18 cs.AI cs.CE cs.CR
Safeguarding the Unseen: a Study on Data Privacy in DeFi Protocols
针对区块链特性导致DeFi难以获取用户敏感数据的问题,本研究提出融合同态加密与零知识证明的协议,兼顾隐私保护与数据可用性,提升DeFi资本效率,并探索其在链上生态及跨境金融的应用。
2023-11-10 cs.CR cs.DC
Private, Auditable, and Distributed Ledger for Financial Institutes
本文提出PADL框架,结合通用密码学与零知识证明,在无可信设置下实现多资产机密交易、交易图匿名和可定制隐私,并通过金融用例与评估验证其审计性和性能优势。
2025-01-07 cs.CR
"My sex-related data is more sensitive than my financial data and I want the same level of security and privacy": User Risk Perceptions and Protective Actions in Female-oriented Technologies
本文针对FemTech行业渴求数据、敏感数据保障不足的问题,通过混合方法研究用户对女性导向技术的安全隐私认知,发现用户能感知风险却缺乏防护技能,提出参与式威胁建模等方法对保护用户至关重要。
2023-10-04 cs.CR cs.CY cs.HC
Retail Central Bank Digital Currencies (CBDC), Disintermediation and Financial Privacy: The Case of the Bahamian Sand Dollar
对加密货币的快速增长、市场驱动的需求令各国央行感到担忧,因为它们的货币政策可能会被完全破坏。中央银行数字货币(CBDC)可以提供一个解决方案,但我们对其设计和后果的理解还处于起步阶段。这篇非技术性论文探讨了巴哈马如何设计沙币,这是零售CBDC的第一个现实世界实例。它将Sand Dollar与基于定义的规范进行了对比。然后,我开发了一个情景分析来说明商业银行的风险。在这一过程中,中央银行成为存款垄断者,导致商业银行业面临高融资风险、脱媒风险和偿付能力风险。我认为,如果要防止银行业的脱媒,限制和上限将成为CBDC监管框架的新规范。我认为CBDC的匿名性是一个比较劣势,将影响其采用。这些发现提供了对中央银行面临的治理问题的洞察,并连贯地导致了沙元的设计。最后,我建议打击加密货币是CBDC无法解决的任务。
2022-04-04 cs.CR econ.GN q-fin.EC
Privacy-preserving Credit Scoring via Functional Encryption
大多数管理机密数据的金融组织都意识到安全威胁,并利用广泛接受的解决方案(例如,存储加密、传输级加密、入侵检测系统)来防止或检测攻击。然而,这些强化措施对于应对使用中数据所面临的更严重威胁几乎没有作用。诸如同态加密(HE)和硬件辅助的可信执行环境(TEE)之类的解决方案如今是减轻此类威胁的首选方法。然而,考虑到HE的高性能开销,金融机构(其处理速率要求很严格)更倾向于基于TEE的解决方案。X-Margin Inc.例如,英特尔公司通过结合英特尔SGX TEE技术和基于HE的零知识证明来提供安全的财务计算,这些证明甚至可以保护客户的使用中数据免受恶意内部人员的攻击,具有系统访问权限的用户。尽管这样的解决方案提供了强大的安全保证,但它受到必须信任英特尔和SGX硬件扩展可用性的限制。在本文中,我们评估了X保证金的新边界,即,通过新兴的加密方案:功能加密(FE)执行隐私保护信用风险评分,该加密方案允许用户仅学习加密数据的功能。我们描述了X-Margin应用程序如何从这种创新方法中受益,最重要的是评估其性能影响。
2021-09-22 cs.CR
Locally Differentially Private Embedding Models in Distributed Fraud Prevention Systems
Featurespace;University of Cambridge(剑桥大学);University of Nottingham(诺丁汉大学)
本文提出了一种基于本地差分隐私和变长交易序列潜在嵌入的协作深度学习框架,用于分布式欺诈预防系统,在保障数据隐私的同时实现了对外部模型的安全数据共享,并在真实数据集上验证了其对推理时攻击的鲁棒性及效用-隐私权衡。
2024-01-03 cs.CR cs.LG
Differentially Private Secure Multi-Party Computation for Federated Learning in Financial Applications
Georgia Institute of Technology(佐治亚理工学院);J.P. Morgan AI Research(摩根大通人工智能研究院)
联邦学习使一群客户端能够与受信任的服务器一起协作学习共享的机器学习模型,同时将每个客户端的数据保存在自己的本地系统中。这降低了暴露敏感数据的风险,但仍然有可能从通信的模型参数中对有关客户端私有数据集的信息进行逆向工程。因此,大多数联邦学习系统使用差分隐私来将噪声引入参数。这增加了任何试图揭示私人客户端数据的不确定性,但也降低了共享模型的准确性,限制了隐私保护噪声的有用规模。一种系统,通过还包括安全多方计算,可以进一步降低协调服务器恢复私人客户端信息的能力,而没有额外的准确性损失。结合这两种技术的方法与金融公司特别相关,因为它为协作学习提供了新的可能性,而不会暴露敏感的客户数据。这可以为重要任务(如最佳交易执行、信贷发放或欺诈检测)生成更准确的模型。本文的主要贡献是:我们提出了一个隐私保护的联邦学习协议的非专业观众,证明它使用逻辑回归在现实世界中的信用卡欺诈数据集,并评估它使用一个开源的模拟平台,我们已经适应了联邦学习系统的发展。
2020-10-12 cs.AI cs.CR cs.MA
Offline Reinforcement Learning with Differential Privacy
UC Santa Barbara(加州大学圣巴巴拉分校)
离线强化学习(RL)问题通常是由金融、法律和医疗保健应用中学习数据驱动的决策策略的需求所驱动的。然而,所学习的策略可以在训练数据中保留个体的敏感信息(例如,患者的治疗和结果),因此容易受到各种隐私风险的影响。我们设计离线RL算法与差分隐私保证,可证明防止这种风险。这些算法在表格和线性马尔可夫决策过程(MDP)设置下也具有很强的实例相关学习边界。我们的理论和模拟表明,与中等规模数据集的非私有对应物相比,隐私保证的效用(几乎)没有下降。
2023-01-03 cs.AI cs.CR cs.LG
Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health
Mastercard;Harvard University(哈佛大学);OpenDP;Javeriana University(贾维里亚大学);Sloan Foundation(斯隆基金会)
本文通过技术案例研究展示如何利用差分隐私技术生成隐私保护的合成财务交易数据,结合公共卫生和移动性数据,开发六个可重用工具,提升流行病学决策能力。
2026-03-13 cs.AI cs.CR
Federated Learning for Cross-Domain Data Privacy: A Distributed Approach to Secure Collaboration
Cornell University(康奈尔大学);University of Minnesota(明尼苏达大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of California, Berkeley(加利福尼亚大学伯克利分校);Illinois Institute of Technology(伊利诺伊理工大学)
本文提出一种基于联邦学习的分布式数据隐私保护框架,通过仅共享模型参数实现安全的跨域数据协作,实验证明其在医疗、金融等多域环境中兼具高模型性能与隐私保护能力。
2025-03-31 cs.CR cs.LG
The Challenges of Investigating Cryptocurrencies and Blockchain Related Crime
我们越来越生活在一个在隐私权和同意要求与社会保护自己的权利之间取得平衡的世界里。在这个世界上,对保护金融交易中所涉及的身份的要求越来越高,但这使得执法机构的工作变得越来越困难,特别是在金融欺诈和洗钱方面。本文回顾了加密货币交易中使用的隐私方法以及执法面临的挑战方面的最新技术。
2019-07-29 cs.CR cs.CY
Quantifying Privacy: A Novel Entropy-Based Measure of Disclosure Risk
众所周知,数据采掘和统计分析对隐私造成了严重的影响。金融、医学、犯罪和市场研究都是如此。人们提出了许多技术来保护隐私,包括限制和数据修改。最近提出的隐私模型,如差分隐私和k-匿名受到了很多关注,对于后者,现在有几个改进的原始计划,每个消除一些安全性的缺点,前一个。然而,挑战在于评估和比较各种技术提供的隐私。在本文中,我们提出了一种新的基于熵的安全措施,可以应用于任何概括,限制或数据修改技术。我们使用我们的措施,经验评估和比较几个流行的方法,即查询限制,采样和噪声添加。
2014-09-07 cs.CR
Novel Architecture to Create and Maintain Personal Blockchains
区块链被吹捧为一项革命性的技术。然而,尽管令人兴奋,但区块链并没有在许多领域被采用。由于隐私问题,使用障碍或缺乏实际用例,许多人对采用区块链技术犹豫不决。在这项工作中,我们概述了一个潜在的区块链用例,用于跟踪跨多个金融机构的金融交易。我们展示了传统集中式方法的缺点,区块链方法无法提供此用例所需的所有隐私和可访问性。因此,我们提出了一种新的区块链架构来支持我们的用例。这种新颖的架构通过允许用户创建个人区块链,将公共区块链的易用性与私有区块链的隐私性相结合。我们相信这种新颖的个人区块链架构将导致更多的区块链采用,特别是在处理私人数据的用例中。
2022-12-12 cs.CR cs.CY cs.DB
PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning
信用风险建模已经渗透到我们的日常生活中。大多数银行和金融公司使用这种技术来模拟客户的可信度。虽然机器学习越来越多地用于这一领域,但由此产生的大规模用户私人信息收集重新激发了隐私辩论,考虑到每年由未经授权的黑客造成的数十起数据泄露事件,以及(可能更多)授权方的信息误用/滥用。为了解决这些关键问题,本文提出了一个基于对抗学习的隐私保护信用风险建模框架(PCAL)。PCAL旨在通过(迭代)权衡隐私风险损失和面向实用性的损失,掩盖原始数据集内的私人信息,同时保留目标预测任务性能的重要实用信息。在实用性和隐私保护方面,将PCAL与现成的选项进行比较。实验结果表明,PCAL可以从用户数据中学习到一种有效的、无隐私的表示方法,为信用风险分析中隐私保护的机器学习提供了坚实的基础。
2020-10-06 cs.CR cs.CV cs.LG
User Privacy and Large Language Models: An Analysis of Frontier Developers' Privacy Policies
Frontier Developers(前沿开发者)
本文分析六家美国前沿AI开发者的隐私政策,发现其默认用用户聊天数据训练模型,部分无限期保留,甚至涉及儿童和敏感数据,呼吁加强透明度与问责。
2025-09-05 cs.AI cs.CR cs.CY
A User-Centric, Privacy-Preserving, and Verifiable Ecosystem for Personal Data Management and Utilization
Case Western Reserve University(凯斯西储大学);The London School of Economics and Political Science (LSE)(伦敦政治经济学院)
本文提出一种去中心化、隐私保护的个人数据管理架构,利用安全飞地和联邦学习等技术,赋予用户完全的数据所有权与控制权,支持安全计算、验证及隐私共享。
2025-09-11 cs.CR cs.LG
Quantum Privacy-Preserving Perceptron
University of Technology Sydney(悉尼科技大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Tsinghua University(清华大学)
随着机器学习的广泛应用,训练样本中的隐私或敏感数据问题变得越来越严重:在训练过程中,个人信息或习惯可能会泄露给意想不到的人或组织,这可能会导致严重的隐私问题甚至经济损失。在本文中,我们提出了一个量子隐私保护算法的机器学习与感知器。保护原始训练样本主要有两个步骤。首先,在对当前分类器进行检验时,采用量子测试来检测数据使用者可能的不诚实行为。其次,在更新当前分类器时,使用私有随机噪声来保护原始数据。该算法的优点是:(1)它比已知的经典方法更好地保护训练样本;(2)它不需要量子数据库,因此易于实现。
2017-07-31 cs.CR cs.LG quant-ph
Beyond Data Privacy: New Privacy Risks for Large Language Models
Department of Computer Science, Purdue University(计算机科学系,普渡大学);Alibaba(阿里巴巴)
本文探讨了大型语言模型在部署过程中出现的新隐私风险,并提出缓解策略以应对日益强大的LLMs带来的威胁。
2026-01-26 cs.AI cs.CR cs.LG
Risks & Benefits of LLMs & GenAI for Platform Integrity, Healthcare Diagnostics, Financial Trust and Compliance, Cybersecurity, Privacy & AI Safety: A Comprehensive Survey, Roadmap & Implementation Blueprint
本文综述LLM/GenAI在平台、金融、医疗和网络安全中的风险与收益,并提出整合合规审计、欺诈检测与多LLM治理的实施蓝图。
2025-07-26 cs.CR cs.CY
Machine-Readable Privacy Certificates for Services
在服务网络上对个人数据进行隐私感知处理需要管理来自技术和法律领域的许多问题。已经提出了几种方法来匹配隐私要求(在客户端侧)和隐私保证(在服务提供商侧)。尽管如此,确保有效的数据保护(在可能的情况下)仍然依赖于大量的人工努力,并使组织面临重大的(不)合规风险。在本文中,我们提出的想法,一个隐私认证计划的生产和管理机器可读的文物的形式的隐私证书可以发挥重要作用,对解决这个问题。数字隐私证书表示服务的隐私属性保持不变的原因,并描述支持它的隐私措施。此外,隐私证书可用于自动选择证书与客户端策略(隐私要求)匹配的服务。我们的建议依赖于Assert4Soa项目中开发的概念模型的演变,以及专门为表示隐私属性而定制的证书格式。为了验证我们的方法,我们提出了一个工作的例子,显示如何隐私财产保留为基础的不可链接性可以认证的银行金融服务。
2013-07-26 cs.CR
Privacy-Preserving Multiparty Learning For Logistic Regression
近年来,机器学习技术被广泛应用于天气预报、金融数据分析、垃圾邮件过滤和医疗预测等众多应用中。与此同时,从多个来源生成的海量数据进一步提高了机器学习工具的性能。然而,来自多个源的数据共享为这些源带来隐私问题,因为在此过程中可能泄漏敏感信息。在本文中,我们提出了一个框架,使多方能够在分布式数据集上协作且准确地训练学习模型,同时保证数据源的隐私。具体地说,我们考虑逻辑回归模型的数据训练,并提出了两种方法来扰动目标函数,以保持ε-差分隐私。所提出的解决方案在真实数据集上进行了测试,包括银行营销和信用卡违约预测。实验结果表明,提出的多方学习框架是高效和准确的。
2018-10-04 cs.CR
The Value of Collaboration in Convex Machine Learning with Differential Privacy
Macquarie University(麦考瑞大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61研究所);The University of Melbourne(墨尔本大学);Australian National University(澳大利亚国立大学)
在本文中,我们将机器学习应用于多个数据所有者所拥有的分布式私有数据,这些数据所有者可以访问非重叠的训练数据集。我们使用噪声,差分私有梯度,以最小化随机梯度下降的机器学习模型的适应度成本。我们使用适应度成本来量化训练模型的质量,作为隐私预算和分布式数据集大小的函数,以捕获机器学习中隐私和实用性之间的权衡。通过这种方式,我们可以在执行潜在的计算昂贵的机器学习算法之前预测隐私感知数据所有者之间的协作结果。特别是,我们表明,训练机器学习模型的健身使用差分私人梯度查询和训练的机器模型的健身在没有任何隐私问题之间的差异是成反比的训练数据集的平方和隐私预算的平方的大小。我们成功地验证了所提出的隐私感知学习算法的实际性能的性能预测,适用于:金融数据集,用于确定贷款利率使用回归;和检测信用卡欺诈使用支持向量机。
2019-06-24 cs.CR cs.LG stat.ML
Privacy vs National Security
公众对隐私的担忧和焦虑越来越多,特别是在前美国国家安全局承包商和爱德华·斯诺登等告密者的爆料之后。虽然隐私是人类的基本概念,但个人隐私和自由与国家安全之间日益激烈的拉锯战重新引发了人们对两者之间平衡的担忧。历史上第一次,技术进步使大规模数据收集、分析和存储成为政府和私营企业在财务和技术上可行的选择。这使得全球各国政府和安全机构越来越有兴趣利用大数据、机器学习和人工智能的力量开发复杂的算法。这项技术使政府和私营企业能够收集和存储每个人的数千个数据点,这使个人隐私受到持续的威胁。本文分析了个人隐私的概念及其与国家安全的联系。文章亦会讨论私隐与国家安全的不同层面、双方的论点,以及私隐与国家安全的分界。
2020-07-10 cs.CR cs.OH
zkTax: A pragmatic way to support zero-knowledge tax disclosures
本文提出零知识税务披露系统zkTax,通过三个分布式服务在保护隐私的前提下实现税务信息的可验证披露,兼容现有基础设施,兼顾透明度与隐私。
2024-03-24 cs.CR
Blockchain and Machine Learning for Fraud Detection: A Privacy-Preserving and Adaptive Incentive Based Approach
金融欺诈案件在不断增加,即使目前的技术进步。由于缺乏组织间的协同作用,并出于隐私方面的考虑,真实的金融交易数据很少可用。另一方面,像机器学习这样的数据驱动技术需要真实的数据才能在现实世界的系统中精确地执行。本研究提出了一种基于区块链和智能合约的方法,通过促进组织间协作来实现强大的机器学习(ML)算法,用于电子商务欺诈检测。该方法使用区块链来保护数据的隐私。部署在网络内部的智能合约使系统完全自动化。ML模型是根据连接到区块链的组织提供的协作数据进行增量升级的。为了激励组织,我们引入了一种激励机制,该机制适应于更新模型的难度水平。组织根据更新ML模型所面临的困难获得激励。提出了有效开采该区块的开采准则。最后,区块链网络在不同难度和不同数据量下进行测试,以测试其效率。该模型在8次增量更新中达到了98.93%的测试准确率和98.22%的Fbeta得分(回忆偏差f测量)。我们的实验表明,区块链的数据量和难度都会影响挖掘时间。对于难度等级小于5的挖掘,挖掘时间与难度等级呈正相关。对于难度等级2和3,在我们的系统中挖掘一个区块所需的时间不到一秒。难度等级5对开采区块造成了更大的困难。
2022-10-23 cs.CR cs.DC
MPC meets SNA: A Privacy Preserving Analysis of Distributed Sensitive Social Networks
在本文中,我们正式的分布式敏感社交网络(DSSNs),其中包括网络,如敌意网络,金融交易网络,供应链网络和性关系网络的概念。与研究得很好的传统社交网络相比,考虑到网络所编织的个人的隐私问题,DSSN的研究往往更具挑战性。在目前的工作中,我们设想使用安全的多方工具和技术进行隐私保护社会网络分析在DSSNs。作为实现这一目标的一步,我们设计了有效的数据无关算法,用于计算给定DSSN的K壳分解和PageRank中心性度量。所设计的数据不经意算法可以转化为等价的安全计算协议。我们还列出了一系列需要解决的挑战,采用安全计算协议作为一个实际的解决方案,研究DSSNs。
2017-05-19 cs.CR cs.SI