Publikace detail

An Explainable Federated Learning and Blockchain-based Secure Credit Modeling Method

Autoři: Yang Fan | Abedin mmad Zoynul | Hájek Petr

Rok: 2024

Druh publikace: článek v odborném periodiku

Název zdroje: European Journal of Operational Research

Název nakladatele: Elsevier Science BV

Místo vydání: Amsterdam

Strana od-do: 449-467

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Vysvětlitelná metoda modelování úvěrového rizika založená na federálním učení a blockchain	Federální učení si získalo velkou pozornost jako výkonné technologické řešení problému "datových sil úvěrových informací". Vysvětlitelnost federálního učení je však zásadním problémem kvůli nedostatečné interakci s uživatelem a složitosti monitorování úvěrových dat. Navrhujeme význam modelu zpracování úvěrových dat jako služby (credit data processing-as-a-service), který doplňuje konvenční úvěrové modely v lokálních prostředích, aby se tato omezení překonala. V této práci představujeme vysvětlitelný systém pro hodnocení úvěruschopnosti (EFCS) založený na federálním učení a blockchainu. Nejprve navrhujeme vysvětlitelnou metodu federálního učení s kontrolovatelnou efektivitou strojového učení a kontrolovatelným rozhodováním úvěrového modelu. Tento přístup umožňuje mít kontrolovatelnou složitost úvěrového modelu a transparentní, sledovatelný mechanismus rozhodování. Dále navrhujeme mechanismus trénování federálního učení pro úvěrová data, který zabraňuje úniku gradientů modelu trénovaného jednotlivými uzly během trénování celkového modelu. V tomto ekosystému trénování úvěrových modelů nemají poskytovatelé úvěrových dat ani uživatelé přístup k surovým datům. Díky tomu je zajištěna ochrana soukromí, výkon modelu a efektivita algoritmu – tři základní pilíře federálního učení. Přidáním vysvětlitelnosti modelu vzniká bezpečnější a důvěryhodnější metodologie založená na federálním učení, která poskytuje spolehlivější služby při trénování a vytváření úvěrových modelů. Schéma EFCS je prezentováno prostřednictvím simulací různých typů federálního učení a jejich odolnosti vůči systémovým útokům, přičemž navržený model je aplikován na šest různých datových sad pro hodnocení úvěruschopnosti. Rozsáhlé experimentální analýzy podporují efektivitu, bezpečnost a vysvětlitelnost EFCS.	Analytika; Vysvětlitelné federální učení; Uchovávající soukromí; Únik informací; Odolnost proti byzantským poruchám
eng	An Explainable Federated Learning and Blockchain-based Secure Credit Modeling Method	Federated learning has drawn a lot of interest as a powerful technological solution to the "credit data silo" problem. The interpretability of federated learning is a crucial issue due to the lack of user interaction and the complexity of credit data monitoring. We advocate the importance of a credit data processing- as-a-service model, which completes conventional credit models in local environments, in order to overcome these restrictions. In particular, we describe an explainable federated learning and blockchain-based credit scoring system (EFCS) in this work. First, we propose an explainable federated learning method with controllable machine learning efficiency and controllable credit model decision making, thus having controllable credit model complexity and transparent and traceable credit decision-making mechanism. Then, we suggest an explainable federated learning training mechanism for credit data that prevents leakage of the model gradients trained by individual nodes during the training of the overall model. Neither the credit data provider nor the data user has access to the raw data in the credit model training ecosystem. Therefore, privacy protection, model performance, and algorithm efficiency, the core triangular cornerstones of federated learning, when added with model interpretability, together constitute a more secure and trustworthy federated learning-based methodology, thus providing a more reliable service for credit model training and construction. The EFCS scheme is presented via simulations of different types of federated learning and their resistance to system attack, applying the proposed model to six different credit scoring datasets. Extensive experimental analyses support the efficiency, security, and explainability of the EFCS.	Analytics; Explainable federated learning; Privacy-preserving; Information leakage; Byzantine fault-tolerant

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte