プライバシー保護連合学習技術DeepProtectを活用した銀行の不正口座検知の実証実験で検知精度向上を確認

情報通信研究機構　広報部

2025/6/10 14:00

2025年6月10日

国立研究開発法人情報通信研究機構

国立大学法人神戸大学

EAGLYS株式会社

ポイント

■ 銀行4行と連携し、プライバシー保護連合学習技術「DeepProtect」を活用した不正口座検知の実証実験を実施

■ 個別学習モデルと連合学習モデルを組み合わせたアンサンブル学習を適用し、不正口座検知の精度向上を確認

■ 不正取引モニタリング業務での実運用に向け、現行システム（AMLシステム）と並行運用の可能性を検討

　国立研究開発法人情報通信研究機構（NICT（エヌアイシーティー）、理事長: 徳田英幸）は、国立大学法人神戸大学（学長: 藤澤正人）及びEAGLYS株式会社（代表取締役社長: 今林広樹）に委託し、りそな銀行他3行と連携して、プライバシー保護連合学習技術「DeepProtect」を活用した不正口座検知の実証実験を実施しました。

　本実験では、銀行間でデータを共有せずに学習モデルを構築し、より実運用に近い条件下で検知精度を向上させることを検証し、データ項目にばらつきがあっても情報を余すことなく利用できるアンサンブル学習という新しいアプローチを適用した結果、従来の個別の銀行ごとに構築する学習モデル（個別学習モデル）と比較して適合率が最大約10ポイント向上し、再現率が95％を超える高精度な検知を達成、個別学習モデルよりも安定した検知精度を維持できることを確認しました。また、従来のルールベースの監視やAIを用いた個別学習では検知が困難だった潜在的な不正口座を特定できる可能性が示されました。

　今後は金融機関の不正取引モニタリング業務における実運用に向け、現行のAMLシステムと並行運用できる形での導入可能性を検討します。

背景

　複雑化・巧妙化する金融犯罪手法に対し、口座への入出金や顧客ごとの取引の監視、またAIを用いた検知システムの導入・検討など、不正取引モニタリングの取組が各金融機関で進められています。しかし、単独の金融機関では十分なAI開発の肝となる学習データの確保が難しく、顧客の個人情報やプライバシーの保護を実現した上で、複数の金融機関が組織横断的に協調してAIを開発していくことが極めて重要となっています。

　この課題を解決するため、NICTはデータを外部に開示することなく機密性を保ったまま深層学習を行う「DeepProtect」を活用することで、複数の金融機関と連携して不正取引を自動検知するシステムの開発に取り組んできました。NICTは、2023年から、これまでの成果を基に、次のステップとして神戸大学及びEAGLYSに対し、それぞれの金融機関で日々蓄積される取引データを継続して学習に取り込めるなど、より実用性の高い不正取引モニタリングAIの研究開発及び実証実験を、高度通信・放送研究開発委託研究として委託していました。

今回の成果

　本実証実験は、りそな銀行等の協力を得て、各銀行から正常口座と凍結となった不正口座の両方について、顧客情報が特定されない形で一定期間のデータを提供いただきました。時系列解析が可能な形に前処理を実施した上で個別学習のモデルを作成、続いてDeepProtectを用いて4銀行で連合学習を実施し、検知精度の評価を行いました。その結果、個別学習と比較し連合学習では全体的に精度の低下が起こりました。各銀行のデータのフォーマットや定義がカラムレベルで異なり、4銀行で共通して使えるデータ項目が極端に少ないことが理由の一つと考えられました。

　そこで、研究を受託した神戸大学及びEAGLYSは、DeepProtectにアンサンブル学習を組み合わせることで、データ項目にばらつきがあっても情報を余すことなく利用し、不正検知を高性能化できるアプローチを新たに適用しました。このアプローチでは、各銀行の個別学習モデル（4個）と4銀行での連合学習モデル（1個）に加え、3銀行ずつの連合学習モデル（4個）でも連合学習を行い、全部で9個のモデルを活用しデータ項目の標準化を実質的に実現しました（図1参照）。

　その結果、連合学習モデルでは、個別学習モデルと比較して適合率が最大約10ポイント向上するケースも見られ、95％の再現率を超える高精度な検知を達成するケースもありました。

　また、再現率の高い箇所で連合学習モデルの方が良い検知精度を確認しました（図2参照）。アンサンブル学習により、検知の安定性も向上しました。

図 1 アンサンブル学習の実施イメージ

図 2 個別学習及び連合学習モデルのシミュレーション結果

本実証実験において、適合率、再現率は以下を意味する。

・適合率：モデルが不正口座と予測したもののうち、実際に不正口座であるものの割合

・再現率：実際に不正口座であるもののうち、モデルが正しく不正口座と判定した割合

　実証実験後の協力銀行とのワークショップにおいて、「個別学習では不正口座として検知されず、連合学習では不正口座として検知された取引口座」を確認した結果、一部において「グレーな口座」と評価され、既存のルールベースでの監視ではすり抜けていたことがわかり、従来のルールベースの監視やAIを用いた個別学習では検知が困難であった「潜在的な不正口座」を特定できる可能性が示されました。

　さらに、高度通信・放送研究開発委託研究の取組であるDeepProtectの高度化に関して、（1）不正取引データの合成手法の提案、（2）訓練データの不均衡データ問題の緩和及び敵対的サンプル攻撃に対する防御手法への応用とその有効性の提示、（3）破滅的忘却を抑制しながら継続的な連合学習を可能にするアルゴリズムの検証、（4）銀行における不正取引監視者を支援する不正取引モニタリングシステムのプロトタイプの開発、を行いました。

　今回の成果を不正取引モニタリングシステムに実装することで、より精度の高い不正取引の検知や不正口座の早期検知が可能となるとともに、金融機関の監視業務の効率化やコスト削減効果が期待されます。

今後の展望

　本実証実験で得られた成果を踏まえ、NICTはDeepProtectの基盤技術の更なる高度化を目指します。また、神戸大学とEAGLYSは検知精度の更なる向上を図るとともに、不正取引検知業務への実装に向けた取組を進めます。そのため、まずは現行のAMLシステムと並行運用する簡易的なシステムの導入を検討し、金融機関での実用化の可能性を検討していきます。