详细内容或原文请订阅后点击阅览

通过亚马逊萨吉式制造商AI

2025年7月11日 16:03 33 Comments
X Twitter Instagram Mail

在这篇文章中，我们探讨了萨格人和联邦学习如何帮助金融机构构建可扩展的隐私优先欺诈检测系统。

来源:亚马逊云科技 _机器学习
欺诈检测仍然是金融行业的重大挑战，需要先进的机器学习（ML）技术来检测欺诈模式，同时保持遵守严格的隐私法规。传统的ML模型通常依靠集中的数据聚合，这引起了人们对数据安全和监管约束的担忧。根据纳斯达克的全球金融犯罪报告，仅2023年，Fraud成本超过4856亿美元，其金融机构承受着压力，无法与不断发展的威胁保持同步。传统的欺诈模式通常依靠孤立的数据，从而导致过度拟合和现实世界中的性能不佳。 GDPR和CCPA等数据隐私定律进一步限制了协作。 With federated learning using Amazon SageMaker AI, organizations can jointly train models without sharing raw data, boosting accuracy while maintaining compliance.In this post, we explore how SageMaker and federated learning help financial institutions build scalable, privacy-first fraud detection systems.Federated learning with the Flower framework on SageMaker AIWith federated learning, multiple institutions can train a shared model while keeping their data decentralized,解决欺诈检测中的隐私和安全问题。这种方法的一个关键优点是，它通过从各个数据集中欺诈模式的更广泛分布中学习来减轻过度拟合的风险。它允许金融机构在维护严格的数据隐私的同时协作，确保没有一个实体可以访问他人的原始数据。这不仅提高了欺诈检测准确性，而且还遵守行业法规和合规要求。联合学习的受欢迎框架包括花，Pysyft，Tensorflow Federated TFF和FedMl。其中，花框架以框架 - 敏锐的态度而脱颖而出，这是一个关键优势，它使其能够与Pytorch，Tensorflow，Tensorflow，Hugging Face，Scikit-Le