DPxFin: Reputation-basiertes Differential Privacy für AML im Federated Learning

Im modernen Finanzsystem ist die Bekämpfung von Geldwäsche ein zentrales Problem, das durch zunehmende Datenschutzanforderungen und komplexe Betrugsmuster noch verschärft wird. Federated Learning (FL) bietet hier einen vielversprechenden Ansatz, weil Banken und Finanzinstitute ihre Modelle gemeinsam trainieren können, ohne sensible Kundendaten auszutauschen. Allerdings bleibt FL anfällig für Datenschutzverletzungen, insbesondere bei tabellarischen Daten.

DPxFin löst dieses Problem, indem es ein federated Framework mit reputationsgesteuertem adaptivem Differential Privacy (DP) kombiniert. Für jeden Client wird die Reputation anhand der Übereinstimmung des lokal trainierten Modells mit dem globalen Modell berechnet. Auf Basis dieser Reputation wird dynamisch die DP‑Störung für die Client‑Updates festgelegt: Hochreputierte Clients erhalten geringere Rauschwerte, um ihre vertrauenswürdigen Beiträge zu verstärken, während Clients mit niedriger Reputation stärker geräuscht werden, um das Risiko zu minimieren.

Die Wirksamkeit von DPxFin wurde am Anti‑Money‑Laundering (AML) Datensatz unter IID‑ und non‑IID‑Bedingungen mit einem Multi‑Layer‑Perceptron (MLP) getestet. Die Ergebnisse zeigen, dass DPxFin einen deutlich besseren Kompromiss zwischen Genauigkeit und Privatsphäre erzielt als herkömmliche FL‑Methoden und feste‑Rausch‑DP‑Baselines. Zudem widersteht DPxFin gezielten Datenlecks bei tabellarischen Daten, was seine Eignung für reale Finanzanwendungen unterstreicht.

Mit DPxFin erhalten Finanzinstitute ein robustes, datenschutzfreundliches Tool, das die Erkennung von Geldwäsche verbessert, ohne die Privatsphäre der Kunden zu gefährden. Diese Innovation könnte einen wichtigen Schritt in Richtung sicherer, kollaborativer KI im Finanzsektor darstellen.