77、多银行欺诈检测的许可区块链 XGBoost 方法

多银行欺诈检测的许可区块链 XGBoost 方法

1. 引言

在机器学习训练中，传统的集中式训练存在数据隐私和安全问题，而分散式训练成为了一种新的解决方案。分散式训练有多种方法，如联邦学习（FL）和群体学习（SL）。本文提出了一种在许可区块链网络中开发完全分散式 XGBoost 模型的方法，旨在解决银行交易数据欺诈检测中的数据不平衡和隐私保护问题。

2. 问题陈述

在银行客户交易数据的欺诈检测训练过程中，存在以下问题：
- 数据不平衡 ：欺诈数据在整体交易数据中占比小，导致数据不平衡问题。
- 数据隐私 ：各银行需要保护客户数据隐私，禁止共享原始数据集，但又希望通过合作共享聚合模型来提高预测性能。

3. 相关工作

3.1 XGBoost

XGBoost 是梯度提升决策树（GBDT）算法的高效可扩展实现，基于损失函数的函数逼近和正则化。对于有 n 个样本和 m 个特征的数据集 $D = {(x_i, y_i)}(|D| = n, x_i \in R^m), y_i \in R$，假设第 t 个决策树 $f_t$ 用于最小化目标函数 $L_t$：
$L_t = \sum_{i=1}^{n} l(y_i, \hat{y} i^{(t - 1)} + f_t(x_i)) + \Omega {f_t}$
其中，目标函数由训练损失 $\sum_{i=1}^{n} l(y_i, \hat{y} i^{(t - 1)} + f_t(x_i))$ 和正则化 $\Omega