Федеративное обучение в финансовом секторе: обнаружение мошенничества и прогнозирование финансовых трудностей

В данной работе рассматривается федеративное обучение – метод совместного обучения моделей машинного обучения на распределённых данных без их физической централизации. Показано, каким образом ключевым фактором распространения данной технологии послужило регуляторное давление GDPR, а не абстрактная забота о конфиденциальности. Подробным образом анализируются теоретические основы федеративного обучения и алгоритм FedAvg, а также два прикладных применения – обнаружение мошенничества с кредитными картами (F1 = 77%) и прогнозирование финансовых трудностей потребителей США по данным NFCS (F1 = 42,2%, при потере относительно централизованной модели менее 0,5 п.п.). Вместе с тем рассматриваются атаки восстановления данных из градиентов, проблема неоднородности участников и правовая неопределённость внедрения. Вывод: федеративное обучение представляет собой полезный, однако условно применимый инструмент с конкретными техническими и институциональными ограничениями.

1. Kumar A. Redefining Finance: The Influence of Artificial Intelligence (AI) and Machine Learning (ML) / A. Kumar // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/2410.15951 (дата обращения: 16.01.2026).

2. Communication-Efficient Learning of Deep Networks from Decentralized Data / B. McMahan, E. Moore, D. Ramage [et al.] // Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, AISTATS 2017, 20–22 April 2017, Fort Lauderdale, FL, USA. – PMLR, 2017. – P. 1273–1282.

3. Sha X. Research on financial fraud algorithm based on federal learning and big data technology / X. Sha // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/2405.03992 (дата обращения: 09.02.2026).

4. Carta L. Explainable Federated Learning for U.S. State-Level Financial Distress Modeling / L. Carta, F. Spadea, O. Seneviratne // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/2511.08588 (дата обращения: 20.01.2026).

5. Srivastava R.K. Highway Networks / R.K. Srivastava, K. Greff, J. Schmidhuber // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/1505.00387 (дата обращения: 13.01.2026).

6. Lundberg S.M. A Unified Approach to Interpreting Model Predictions / S.M. Lundberg, S.-I. Lee // Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017, 04–09 December 2017, Long Beach, CA, USA. – 2017. – P. 4765–4774.