Research indexJournal article
联邦学习在金融反欺诈场景中的数据安全与效率平衡研究
何
嶺南科學工業學報30 Jun 2026Open access
Abstract
金融反欺诈场景中,数据孤岛与隐私保护法规严重制约了跨机构联合建模的效果。联邦学习(Federated Learning, FL)通过“数据不动模型动”的分布式训练范式,为打破数据壁垒提供了可行路径。然而,其实际落地面临数据安全与通信效率的双重挑战:一方面,梯度传输与模型聚合环节存在梯度泄露、投毒攻击等隐私风险;另一方面,多轮通信与加密计算导致显著的系统开销。本文系统梳理联邦学习在金融反欺诈领域的研究现状,基于横向联邦信用卡欺诈检测框架,融合SMOTE数据平衡、差分隐私加噪和梯度稀疏化压缩机制(Li Cao, 2026)。结合公开数据集上的已有实证结果,分析不同隐私保护强度对模型性能(AUC、召回率)与训练效率的影响,并提出隐私预算动态分配与分层聚合等平衡策略。研究表明,通过合理配置隐私参数(ε ∈ [3,8])与通信轮次(本地迭代E=5-8),并辅以10%-20%梯度稀疏化,可在保持AUC达95%以上的同时,将通信开销降低约30%,为实现安全高效的联邦反欺诈系统提供设计参考。