🤖 machine learning

Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection

यह शोध पत्र डायनेमिक शार्डेड फेडरेटेड लर्निंग (DSFL) का प्रस्ताव करता है, जो एक स्केलेबल और सत्यापन योग्य ढांचा है जो डायनेमिक स्टोकेस्टिक शार्डिंग और लीनियर इंटीग्रिटी टैग्स का उपयोग करता है ताकि वित्तीय संस्थानों के बीच कुशल, गोपनीयता-संरक्षित और सुदृढ़ सहयोगात्मक धोखाधड़ी का पता लगाने में सक्षम बनाया जा सके, जबकि मौजूदा तरीकों की तुलना में कम्प्यूटेशनल ओवरहेड को काफी कम किया जा सके।

मूल लेखक: Prajwal Panth, Nishant Nigam

प्रकाशित 2026-04-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Prajwal Panth, Nishant Nigam

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

समस्या: "अंधा बैंक" की दुविधा (The "Blindfolded Bank" Dilemma)

कल्पना कीजिए कि बैंकों का एक समूह चोरों के एक हाई-टेक गिरोह को पकड़ने की कोशिश कर रहा है। ये चोर अविश्वसनीय रूप से चतुर हैं: वे एक बैंक में $1,000,000 नहीं लूटते। इसके बजाय, वे$ 1,000 के छोटे-छोटे हिस्से के लिए 1,000 अलग-अलग बैंकों को लूटते हैं, और पैसे को इतनी तेज़ी से घुमाते हैं कि किसी भी एक बैंक को यह अहसास तक नहीं होता कि कोई अपराध हो रहा है।

उन्हें पकड़ने के लिए, बैंकों को आपस में बात करने की ज़रूरत है। उन्हें कहना होगा, "हे, मैंने लंदन में एक गैस स्टेशन पर एक अजीब लेनदेन देखा; क्या आपने न्यूयॉर्क में कुछ ऐसा ही देखा?"

लेकिन एक बहुत बड़ी समस्या है: प्राइवेसी वॉल (The Privacy Wall)।
कड़े कानूनों (जैसे GDPR) के कारण बैंक अपना ग्राहक डेटा साझा नहीं कर सकते। यदि बैंक A अपने लेनदेन लॉग बैंक B को भेजता है, तो वह कानून तोड़ रहा है। भले ही वे "फेडेरेटेड लर्निंग" (एक तरीका जिससे वे कच्चे डेटा के बजाय गणितीय पैटर्न साझा करते हैं) का उपयोग करें, एक चतुर हैकर उन पैटर्न को "रिवर्स-इंजीनियर" करके यह पता लगा सकता है कि वास्तव में उसके ग्राहक कौन हैं और उनके पास कितने पैसे हैं।

इसलिए, बैंक एक डेडलॉक (Deadlock) में फंस गए हैं: उन्हें सुरक्षित रहने के लिए सहयोग करने की आवश्यकता है, लेकिन वे कानून तोड़े बिना या गोपनीयता जोखिम में डाले बिना सहयोग नहीं कर सकते।

समाधान: DSFL (द "सीक्रेट क्लब" मेथड)

शोधकर्ताओं ने DSFL नामक एक प्रणाली बनाई है। इसे ऐसे समझें कि यह बैंकों के लिए अपने "फाइलें" दिखाए बिना अपराधियों के "सुराग" साझा करने का एक तरीका है। उन्होंने इसे तीन चतुर तरीकों से हल किया है:

1. डायनेमिक शार्डिंग (Dynamic Sharding): "एक छोटा ग्रुप चैट"

पारंपरिक प्रणालियों में, यदि आपके पास 1,000 बैंक हैं, तो हर एक बैंक दूसरे प्रत्येक बैंक के साथ एक निजी, एन्क्रिप्टेड बातचीत करने की कोशिश करता है। यह एक ऐसी डिनर पार्टी आयोजित करने जैसा है जहाँ 1,000 लोग एक ही समय में 999 अलग-अलग निजी बातचीत करने की कोशिश कर रहे हों। यह अराजक, शोर भरा और बहुत धीमा है।

DSFL का समाधान: एक विशाल, अव्यवस्थित पार्टी के बजाय, यह प्रणाली बैंकों को छोटे, यादृच्छिक "शार्ड्स" (जैसे 20 लोगों की छोटी डिनर टेबल) में विभाजित करती है। आपको केवल अपनी मेज पर बैठे लोगों के साथ रहस्य साझा करने की आवश्यकता होती है। यह सिस्टम को अविश्वसनीय रूप से तेज़ और "स्केलेबल" बनाता है—इससे फर्क नहीं पड़ता कि आप और अधिक बैंक जोड़ते हैं; मौजूदा मेजों को अनंत रूप से बड़ा करने के बजाय बस और अधिक "मेजें" जुड़ती जाती हैं।

2. लीनियर इंटीग्रिटी टैग्स (Linear Integrity Tags): "सीलबंद लिफाफा चेक"

आप कैसे जानेंगे कि कोई बैंक झूठ बोल रहा है या किसी हैकर ने सिस्टम को भ्रमित करने के लिए ढेर में एक "नकली" सुराग डाल दिया है?

DSFL का समाधान: कल्पना करें कि हर बैंक अपने सुराग को एक सीलबंद लिफाफे में रखता है। लिफाफे के साथ, वे एक "मैथ स्टैम्प" (इंटीग्रिटी टैग) भी प्रदान करते हैं। केंद्रीय एग्रीगेटर सभी स्टैम्प्स को एक साथ देख सकता है ताकि यह सुनिश्चित हो सके कि गणित पूरी तरह से सही है। यदि कोई हैकर नकली सुराग डालने की कोशिश करता है, तो "स्टैम्प्स" कुल योग से मेल नहीं खाएंगे, और सिस्टम तुरंत इसे धोखाधड़ी के प्रयास के रूप में चिह्नित कर देगा। यह एक शिक्षक द्वारा टेस्ट पेपर्स के ढेर पर कुल अंक चेक करने जैसा है कि क्या वे कवर पर लिखे योग से मेल खाते हैं, बिना वास्तव में हर छात्र के निजी उत्तरों को पढ़े।

3. एक्टिव नेबरहुड रिकवरी (Active Neighborhood Recovery): "बैकअप प्लान"

वास्तविक दुनिया में, इंटरनेट कनेक्शन विफल हो जाते हैं। यदि "गुप्त बातचीत" के बीच में एक बैंक अचानक ऑफलाइन हो जाता है, तो पूरी गणितीय गणना टूट जाती है—यह 'टेलीफोन गेम' की तरह है जहाँ एक व्यक्ति बोलना बंद कर देता है, और संदेश हमेशा के लिए खो जाता है।

DSFL का समाधान: यदि कोई बैंक बाहर हो जाता है, तो उसकी मेज पर मौजूद "पड़ोसी" उसकी मदद के लिए आगे आते हैं। वे गायब हुए बैंक द्वारा छोड़े गए गणितीय बिखराव को "साफ" करने के लिए एक विशेष रिकवरी प्रोटोकॉल का उपयोग करते हैं, जिससे यह सुनिश्चित होता है कि वैश्विक मॉडल (Global Model) पूरी प्रक्रिया को फिर से शुरू किए बिना सीखना जारी रखे।

परिणाम: तेज़, सुरक्षित, स्मार्ट

जब शोधकर्ताओं ने वास्तविक क्रेडिट कार्ड धोखाधड़ी डेटा पर इसका परीक्षण किया, तो परिणाम प्रभावशाली थे:

सुपर स्पीड: यह पिछले उच्च-सुरक्षा तरीकों की तुलना में लगभग 33 गुना तेज़ था।
बेहतर डिटेक्शन: मिलकर काम करके, "ग्लोबल मॉडल" ने 91% धोखाधड़ी पकड़ी, जबकि अकेले काम करने वाले बैंक केवल लगभग 68% ही पकड़ पाते थे।
बुलेटप्रूफ प्राइवेसी: भले ही कोई हैकर या "जिज्ञासु" केंद्रीय सर्वर झांकने की कोशिश करे, गणित (जटिल क्रिप्टोग्राफी पर आधारित) यह सुनिश्चित करता है कि उन्हें केवल रैंडम नॉइज़ (यादृच्छिक शोर) ही दिखाई दे।

संक्षेप में: DSFL बैंकों को अपने ग्राहकों के रहस्यों को डिजिटल वॉल्ट में लॉक रखते हुए, अपराध के खिलाफ एक "ग्लोबल शील्ड" बनाने की अनुमति देता है।

तकनीकी सारांश: क्रॉस-संस्थान वित्तीय धोखाधड़ी का पता लगाने के लिए स्केलेबल और सत्यापन योग्य फेडरेटेड लर्निंग (Federated Learning)

1. समस्या विवरण: डेटा संप्रभुता का गतिरोध (The Data Sovereignty Deadlock)

यह शोध पत्र वित्तीय क्षेत्र में एक महत्वपूर्ण संघर्ष को संबोधित करता है: सहयोगात्मक बुद्धिमत्ता (collaborative intelligence) की आवश्यकता बनाम डेटा गोपनीयता की कानूनी अनिवार्यता।

असममिति (The Asymmetry): धोखाधड़ी करने वाले गिरोह सीमाहीन, वितरित नेटवर्क के रूप में संचालित होते हैं (जैसे "स्मर्फिंग" जैसी तकनीकों का उपयोग करके), जबकि बैंक डेटा स्थानीयकरण कानूनों (GDPR, CCPA) द्वारा प्रतिबंधित हैं जो कच्चे लेनदेन डेटा (raw transaction data) को साझा करने से रोकते हैं।
त्रिपक्षीय चुनौती (The Trilemma): मौजूदा फेडरेटेड लर्निंग (FL) समाधान एक "स्केलेबिलिटी-प्राइवेसी-इंटीग्रिटी ट्रिलेमा" से ग्रस्त हैं:
- स्केलेबिलिटी (Scalability): होमोमोर्फिक एन्क्रिप्शन (HE) अत्यधिक कम्प्यूटेशनल रूप से महंगा है।
- प्राइवेसी (Privacy): मानक मास्क-आधारित प्रोटोकॉल (जैसे गूगल का SecAgg) के लिए $O(N^2)$ युग्म-वार (pairwise) कुंजी विनिमय की आवश्यकता होती है, जो उन्हें बड़े नेटवर्क के लिए स्केलेबल नहीं बनाता।
- इंटीग्रिटी (Integrity): अधिकांश प्रोटोकॉल में "मॉडल पॉइजनिंग" (Model Poisoning) का पता लगाने के लिए तंत्र की कमी है, जहाँ एक दुर्भावनापूर्ण प्रतिभागी वैश्विक मॉडल को खराब करने के लिए विकृत ग्रेडिएंट (malformed gradients) सबमिट करता है।
- भेद्यता (Vulnerability): मानक FL "ग्रेडिएंट इनवर्जन हमलों" (Gradient Inversion attacks) के प्रति भी संवेदनशील है, जहाँ एक हमलावर साझा किए गए ग्रेडिएंट से संवेदनशील डेटा को पुनर्गठित कर सकता है।

2. कार्यप्रणाली: डायनेमिक शार्डेड फेडरेटेड लर्निंग (DSFL)

लेखकों ने DSFL का प्रस्ताव दिया है, जो ट्रिलेमा को हल करने के लिए सुरक्षित एकत्रीकरण पाइपलाइन को तीन विशिष्ट चरणों में पुनर्गठित करता है:

चरण I: डायनेमिक स्टोकेस्टिक शार्डिंग (स्केलेबिलिटी):
एक पूर्ण-मेश टोपोलॉजी (जहाँ प्रत्येक नोड अन्य सभी नोड्स के साथ संचार करता है) के बजाय, DSFL एक स्यूडो-रैंडम फंक्शन (PRF) का उपयोग करके $N$ प्रतिभागियों को एक निश्चित आकार $m$ के $N_s$ विलगित (disjoint) शार्ड्स में विभाजित करता है। युग्म-वार गुप्त विनिमय (ECDH के माध्यम से) केवल इन शार्ड्स के भीतर होता है। यह संचार जटिलता को $O(N^2)$ से घटाकर $O(N \cdot m)$ कर देता है, जिससे एसिम्प्टोटिक लीनियर स्केलेबिलिटी प्राप्त होती है।
चरण II: इंट्रा-शार्ड मास्किंग और सत्यापन योग्यता (प्राइवेसी और इंटीग्रिटी):
- प्राइवेसी (Privacy): प्रतिभागी ग्रेडिएंट्स को अस्पष्ट करने के लिए ज़ीरो-सम मास्किंग (AES-CTR के माध्यम से) का उपयोग करते हैं। एकत्रीकरण के दौरान मास्क एक-दूसरे को रद्द कर देते हैं, जिससे केवल ग्रेडिएंट्स का योग शेष रहता है।
- इंटीग्रिटी (लीनियर इंटीग्रिटी टैग्स): पॉइजनिंग को रोकने के लिए, सर्वर एक रैंडम चैलेंज वेक्टर $\alpha$ जारी करता है। प्रत्येक क्लाइंट एक "लीनियर इंटीग्रिटी टैग" ( $\tau_u = \langle x_u, \alpha \rangle$ ) सबमिट करता है। क्योंकि यह टैग एडिटिव-होमोमोर्फिक है, सर्वर व्यक्तिगत अपडेट देखे बिना कुल योग की अखंडता को सत्यापित कर सकता है। एक हमलावर जिसे दुर्भावनापूर्ण अपडेट $\delta$ इंजेक्ट करने का प्रयास करना है, उसे एक रैंडम लीनियर समीकरण को हल करना होगा, जिसकी सफलता की संभावना नगण्य ( $1/M$ ) है।
चरण III: एक्टिव नेबरहुड रिकवरी (मजबूती/Robustness):
"ड्रॉपआउट समस्या" (जहाँ एक नोड राउंड के बीच में ऑफलाइन हो जाता है, जिससे अनकैंसल्ड मास्क रह जाते हैं) को संभालने के लिए, DSFL एक रिकवरी प्रोटोकॉल लागू करता है। सर्वर केवल उस ड्रॉप हुए नोड और उसके जीवित पड़ोसियों के बीच साझा किए गए विशिष्ट सीड्स (seeds) का अनुरोध करता है ताकि अनाथ मास्क (orphaned masks) को पुनर्गठित और निष्प्रभावी किया जा सके, जिससे यह सुनिश्चित होता है कि एकत्रीकरण बिना पुनरारंभ किए पूरा हो जाए।

3. मुख्य योगदान

जटिलता में कमी: सिद्ध किया गया कि DSFL प्रेरित उपग्राफ (induced subgraphs/sharding) के माध्यम से $O(N)$ संचार जटिलता प्राप्त करता है।
सत्यापन योग्य एकत्रीकरण: एक हल्का, एडिटिव-होमोमोर्फिक कमिटमेंट तंत्र (Linear Integrity Tags) पेश किया गया जो जीरो-नॉलेज प्रूफ (ZKP) के भारी ओवरहेड के बिना संभावabilistic कंसिस्टेंसी वेरिफिकेशन प्रदान करता है।
गणितीय कठोरता: एग्रीगेट करेक्टनेस (सुनिश्चित करना कि योग सटीक है), कोलिजन रेजिस्टेंस (अखंडता), और फॉरवर्ड सीक्रेसी (DDH धारणा के तहत ग्रेडिएंट इनवर्जन के विरुद्ध गोपनीयता) के लिए औपचारिक प्रमाण प्रदान किए गए।
रेज़िलिएंस फ्रेमवर्क: उच्च प्रतिभागी ड्रॉपआउट दरों (30% तक) के तहत भी मॉडल उपयोगिता बनाए रखने के लिए एक तंत्र विकसित किया गया।

4. परिणाम और अनुभवजन्य मूल्यांकन

इस ढांचे का परीक्षण क्रेडिट कार्ड फ्रॉड डिटेक्शन डेटासेट (ULB) का उपयोग करके किया गया:

दक्षता (Efficiency): DSFL ने Paillier-आधारित होमोमोर्फिक एन्क्रिप्शन की तुलना में लगभग 33–34× लेटेंसी में कमी प्रदर्शित की।
डिटेक्शन सटीकता: सहयोगात्मक DSFL मॉडल ने 91.2% ग्लोबल रिकॉल प्राप्त किया, जो औसत स्थानीय-केवल मॉडल रिकॉल (68%) से काफी बेहतर है।
मजबूती (Robustness): एक सिम्युलेटेड 20% ड्रॉपआउट शासन के तहत, "एक्टिव रिकवरी" प्रोटोकॉल ने मॉडल की उपयोगिता (AUPRC) को शून्य-ड्रॉपआउट परिदृश्य के सांख्यिकीय रूप से अभिन्न बनाए रखने में मदद की।
स्केलेबिलिटी: अनुमानित डेटा दिखाता है कि जबकि पारंपरिक तरीके (Paillier और SecAgg) बहुपद (polynomially) रूप से बढ़ते हैं, DSFL एक रैखिक विकास वक्र (linear growth curve) बनाए रखता है।

5. महत्व

DSFL वित्तीय उद्योग के लिए एक व्यावहारिक, एंटरप्राइज-रेडी आधार प्रदान करता है। यह नियामक अनुपालन और सामूहिक सुरक्षा के बीच के अंतर को पाटता है, जिससे बैंक संवेदनशील ग्राहक जानकारी को कभी उजागर किए बिना परिष्कृत, वितरित धोखाधड़ी पैटर्न से बचाव कर सकते हैं। स्केलेबिलिटी-प्राइवेसी-इग्रिटी ट्रिलेमा को हल करके, यह फेडरेटेड लर्निंग को एक सैद्धांतिक अनुसंधान रुचि से बदलकर एक तैनात करने योग्य उपकरण (deployable tool) में बदल देता है।