Distributed Monitoring for Data Distribution Shifts in Edge-ML Fraud Detection

要約

デジタル時代では、金融詐欺が顕著に増加しています。
エッジ ML は、スマートフォン決済サービスの不正行為検出のための有望なソリューションとして登場し、エッジ デバイス上で ML モデルを直接展開できるようになります。
このアプローチにより、よりパーソナライズされたリアルタイムの不正行為検出が可能になります。
ただし、現在の研究における大きなギャップは、これらの分散エッジ ML アプリケーションにおけるデータ分散の変化を監視するための堅牢なシステムが欠如していることです。
私たちの取り組みは、エッジ デバイスのネットワーク上でのデータ配信の変化を継続的に監視するために設計された新しいオープンソース フレームワークを導入することで、このギャップを橋渡しします。
当社のシステムには、エッジ デバイスの分散ネットワークを介したコルモゴロフ-スミルノフ (KS) テストの革新的な計算が含まれており、ユーザーの行動変化を効率的かつ正確に監視できます。
私たちは、現実世界と合成の金融取引データセットの両方を使用して、提案されたフレームワークを包括的に評価し、フレームワークの有効性を実証します。

要約(オリジナル)

The digital era has seen a marked increase in financial fraud. edge ML emerged as a promising solution for smartphone payment services fraud detection, enabling the deployment of ML models directly on edge devices. This approach enables a more personalized real-time fraud detection. However, a significant gap in current research is the lack of a robust system for monitoring data distribution shifts in these distributed edge ML applications. Our work bridges this gap by introducing a novel open-source framework designed for continuous monitoring of data distribution shifts on a network of edge devices. Our system includes an innovative calculation of the Kolmogorov-Smirnov (KS) test over a distributed network of edge devices, enabling efficient and accurate monitoring of users behavior shifts. We comprehensively evaluate the proposed framework employing both real-world and synthetic financial transaction datasets and demonstrate the framework’s effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google