プライバシー保護連合学習技術を活用した不正送金検知の実証実験を実施

データ自体を一か所に集約せず、分散した状態で連合して機械学習（AIの一種で、あるデータの中からコンピューターが一定の規則を発見し、その規則に基づいて未知のデータに対する推測・予測等を実現する技術）を行う技術であり、データを持つ複数の法人や個人がそれぞれ独自に機械学習を行い、学習結果の一部の情報のみを集約することによって学習済みモデルを更新することができる。あたかもデータを一か所に集約して機械学習を適用したような効果を安全に得られる技術として期待が集まっている。

連合学習技術に暗号技術を融合することによって、NICTが独自に開発したプライバシー保護連合学習技術である。まず、各組織で持つデータを基に深層学習を行う際に、学習中のパラメータ（勾配情報）を暗号化して中央サーバに送り、中央サーバでは、暗号化したまま学習モデルのパラメータ（重み）の更新を行う。次に、更新されたこの学習モデルのパラメータを各組織においてダウンロードすることで、より精度の高い分析が可能になる。DeepProtectは、各組織から中央サーバにデータそのものを送ることなく、学習中のパラメータのみを暗号化して送信するが、このパラメータは複数のデータを集計した統計情報とすることによって個人を識別できない状態にすることが可能であり、さらに、暗号化を施すため、データの外部への漏えいを防ぐことができる。本技術により、パーソナルデータのような機密性の高いデータを外部に開示することなく、複数組織で連携して多くのデータを基にした機械学習が可能となる。

本技術は、下記ジャーナルに採択・掲載されている。

L. T. Phong, Y. Aono, T. Hayashi, L. Wang, and S. Moriai, "Privacy-Preserving Deep Learning via Additively Homomorphic Encryption", IEEE Transactions on Information Forensics and Security, Vol.13, No.5, pp.1333-1345, 2018.

L. T. Phong and T. T. Phuong, "Privacy-Preserving Deep Learning via Weight Transmission", IEEE Transactions on Information Forensics and Security, Vol.14, No.11, pp 3003-3015, 2019

不正送金等の金融犯罪に対して、現状、多くの金融機関は、それぞれが保有する金融取引データに対し、ルールベースのモニタリングツールを用いて、人手で不正取引を検出しているが、これには担当者の経験等への依存やコストの課題がある。先般公表されたFATF （金融活動作業部会）による第4次対日相互審査報告書においても、我が国の金融機関で導入されている取引モニタリングシステムでは、誤検知の平均比率は最大99%に上っており、不十分であることが指摘されている。

「金融庁FATF（金融活動作業部会）による第4次対日相互審査報告書の公表について」
https://www.fsa.go.jp/inter/etc/20210830/20210830.html

日本が優先して取り組むべき行動として、報告書に以下が記載されている。