Data privacy and audit compliance of supply chain finance warehouse receipt pledge based on WSN federated edge learning

現代の金融の世界において、中小企業は成長に必要な融資を受けるのに苦労することがよくあります。一般的な解決策の一つは、倉庫証券質入れ融資であり、これは企業が、穀物、金属、製造品などの保管されている在庫を、銀行からの融資を確保するための担保として使用するものです。このシステムが機能するためには、銀行がその物品が実際に存在し、良好な状態で、入れ替えや改ざんが行われていないことを信頼できなければなりません。伝統的に、この検証は手動の検査や定期的な棚卸しに依存してきましたが、これらは時間がかかり、エラーが発生しやすく、知識の空白を生じさせます。さらに、これらの物品を説明するデータやローンの財務詳細は非常に機密性の高いものです。銀行や倉庫はこれらの情報を秘密として扱うことが多く、リスクの全体像を構築するためにデータを簡単に共有できない、孤立したデータのポケットを作り出しています。これにより、あるジレンマが生じます。すなわち、企業にプライベートなビジネス上の秘密を明かすことなく、銀行がいかにして不正を検出し、リスクを管理するために協力できるかという問題です。

これを解決するために、山東理工大学の研究者たちは、物理センサー、生データを共有せずに人工知能を訓練する方法、および検証のためのデジタル台帳を組み合わせた新しいシステムを開発しました。彼らは、それぞれ異なる種類の物品を異なる企業のために保管している複数の倉庫が、どのようにしてリスクのある質入れを特定するために協力できるかというシナリオに焦点を当てました。研究チームは、無線センサーを使用して物品を監視し、データをローカルに保持するスマートな学習法を用い、秘密を露呈することなくルールが遵守されたことを証明する安全な方法を使用するシステムを構築しました。彼らの研究は、小規模なセンサーネットワークの限られた電力で動作しながら、プライバシーを尊重し、厳格な規制監査を満たす、極めて精度の高いリスクモデルを作成することが可能であることを示しています。

研究者たちはまず、質入れされた物品の物理的な現実に着手しました。彼らは倉庫に、温度、湿度、重量、および物品の場所を常に監視する小型の無線センサーネットワークを設置しました。これらのセンサーは、在庫のリアルなる状態を捉える「連続的なデジタルの目」として機能します。この生で機密性の高いデータを、盗難や漏洩の恐れがある中央サーバーに送信する代わりに、システムは倉庫内で情報をローカルに処理します。そして、物品の物理的な状態とローンのビジネス詳細を紐付ける安全な記録である「デジタル倉庫証券」を作成します。この証券は、改ざんが極めて困難なデジタル台帳であるブロックチェーン上に保存され、倉庫内のものと物理的な実態が一致することを保証します。もしセンサーが温度の急激な低下や、記録と一致しない重量の変化を検知した場合、システムは即座に異常をフラグ立てし、倉庫業者と銀行の両方に警告を発します。

物理的なデータが確保され、信頼できるデジタル記録に変換されると、研究者たちは共同リスクモデリングの課題に取り組みました。従来のセットアップでは、銀行はリスクの高いローンを予測するためのコンピュータモデルを訓練するために、自らのプライベートなデータを共有しなければなりませんでした。この新しいアプローチでは、データは決して倉庫から外に出ません。代わりに、研究者たちは「フェデレーテッド・エッジ・ラーニング（連合エッジ学習）」と呼ばれる手法を用いました。異なる教室にいる生徒たちが、皆で同じ難しい数学の問題を解こうとしている場面を想像してみてください。各自のノートを中央の先生に送って採点してもらう代わりに、各生徒は自分自身の問題に取り組み、自身が見出した一般的な法則を導き出し、その「法則」だけを先生に送ります。先生はそれらすべての法則を組み合わせてマスターガイドを作成し、それを生徒たちに送り返します。生徒たちはその後、その改良されたガイドを使って自分たちの作業を洗練させます。このシステムでは、各倉庫が「教室」として機能し、自らのデータに基づいてローカル版のリスクモデルを訓練します。彼らは生データそのものではなく、学習した「ルール（モデルへの数学的な更新）」のみを共有するのです。

このプロセスを効率的かつ信頼性の高いものにするために、研究者たちはいくつかのインテリジェンス層を追加しました。彼らは、信頼性と残りのバッテリー残量に基づいて、各学習ラウンドに参加する倉庫を選択する選択プロセスを設計し、信頼でき、電力が十分に存在するノードのみが貢献するようにしました。また、異なる種類の物品を持つ倉庫間でモデルが乖離してしまうという一般的な問題に対処するため、ローカルモデルが離れすぎないようにするメカニズムも導入しました。プライバシーをさらに保護するために、研究者たちはモデルの更新内容を二重のセキュリティ層で包みました。第一に、更新内容に少量の数学的なノイズを加えることで、元のデータを逆エンジニアリングすることを不可能にしました。第二に、更新内容を暗号化し、ロックされた安全な形式のまま結合できるようにしました。信頼できる権限を持つ機関のみが、最終的な結合結果を解読できます。これにより、たとえ通信の間にデータを傍受されたとしても、基礎となるビジネス上の秘密を知られることはありません。

最後に、システムには規制当局を満足させるための組み込みの監査証跡が含まれています。学習プロセスのあらゆるステップがブロックチェーン上に記録され、誰が参加し、どのようなルールが遵守され、どの程度のプライバシー保護が適用されたかを示す透明な履歴が作成されます。ブロックチェーン上の自己実行型の契約である「スマートコントラクト」は、プロセスがすべての規制を遵守しているかを自動的にチェックします。もし倉庫がプロトコルから逸脱しようとしたり、プライバシーの制限を超えたりした場合、システムはそれを検知し、当局に警告を発することができます。これにより、プライバシー、正確性、およびコンプライアンスがすべてリアルタイムで監視されるクローズドループが形成されます。

研究の結果は、このアプローチが非常に効果的であることを示しています。テストにおいて、この新手法はリスク特定において94.8%の精度を達成し、これは既存の標準的な手法よりも大幅に高い数値でした。異なる倉庫からのデータが非常に異なっている場合（通常、コンピュータモデルを混乱させる条件）でも、新システムは堅牢性を維持し、他の手法が失敗する場面でも高い精度を保ちました。また、研究者たちは、システムが厳格なプライバシー条件下でも動作することを発見しました。プライバシー保護のレベルを最大まで高めた場合でも、システムは83.6%の精度を維持しましたが、他の手法は72.5%に低下しました。セキュリティ対策によって計算時間とエネルギーは増大しましたが、最終的な結果に対するトレードオフは最小限でした。本研究は、無線センサー、安全な学習、およびブロックチェーンによる検証を統合することで、よりスマートで正確であるだけでなく、全参加者のプライバシーを尊重し、金融規制当局の厳格な要求を満たすサプライチェーン・ファイナンス・システムを構築できることを結論付けています。