Privacy Protected Federated Learning Algorithms for Credit Card Fraud Detection PhD

新冠疫情凸显了数字金融连接的重要性，但针对金融服务的网络攻击——尤其是信用卡欺诈——也急剧上升。信用卡成为主要攻击目标，是因为它能让攻击者以较低风险快速获取大量资金。然而，欺诈行为的检测十分困难，因为与正常交易相比，欺诈交易极为罕见，导致数据高度不平衡。此外，由于GDPR等隐私法规的限制，银行难以共享客户数据，形成了孤立的数据孤岛，从而削弱了欺诈检测系统的性能。联邦学习（FL）提供了一种解决方案，它允许模型在不同银行之间进行学习，而无需共享原始数据。但现有的FL方法在处理数据分布不均的问题上仍存在困难。本项目旨在通过在FL框架内开发一种更稳健的统计模型，以更好地应对信用卡交易数据的不平衡性，从而提升欺诈检测效果。该方法将在真实的欧洲信用卡数据集上进行测试，并扩展至在线流式数据，以更真实地反映实际应用场景。