リディア・ロサビオ (Lidia Losavio) 氏らの研究チームは10月27日(現地時間)、学術論文投稿サイトarXivで、連邦学習 (Federated learning) を用いた銀行間でのマネーロンダリング (AML) 検知に関する研究論文を発表した。本研究は、複数の銀行にまたがる取引における文脈情報の価格設定とプライバシー保護を両立させる手法を提示する。
本研究論文は、従来のグラフベースのAML手法が、実態には存在しないプールされた取引グラフへのアクセスを前提としている問題提起から始まる。連邦学習は必要なプライバシー保証を提供するものの、個別のグラフにまたがるAMLパターンを効果的に検出する方法は不明瞭だった。
研究チームは、両方のエンドポイント銀行によって既に記録されている取引を活用し、リモートアカウントの状態を局所的に近似することで、追加のアカウント固有情報交換なしに多層グラフニューラルネットワーク (Graph Neural Network: GNN) 計算を可能にするベースライン手法を提案している。このベースラインから、残りの共有すべき文脈情報がどの程度の価値を持つかを検証するため、「開示ラダー」を用いて、リモートアカウントごとの2つの取引件数、または取引相手自身のGNN状態を追加するテストを行った。
AMLworld HI-Small データセットを使用し、6つのGNNバックボーンと最大32のサイロで実験した結果、観測可能なベースラインが最大の検出精度向上をもたらし、断片化により可視範囲が縮小してもその効果を維持することが判明した。取引件数の追加は堅牢な補正効果をもたらし、正確なリモート状態は特定の条件下でのみ有用性を示した。
プライバシーと有用性の制御された研究では、共有状態を保護するために必要なノイズが、意味のあるプライバシー保護が達成される前にその検出価値を消失させることを示した。一方、取引件数は強力なプライバシー保護下でも有用性を保つという。これらの発見は、銀行に対して既に記録されているものを活用し、移動させなければならない少量の情報を正式に保護するという実践的な規則を支持している。
参考: arXiv cs.CR — 2026年10月28日 13:00 (JST)
原文ハイライト"Pricing Cross-Bank Context in Federated Anti-Money Laundering"