プbcゲームレーキバック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

被害取引のbcゲームレーキバック精度向上や不正口座の早期bcゲームレーキバックを確認

情報通信研究機構　広報部

2022/3/10 14:00

2022年3月10日

国立研究開発法人情報通信研究機構（NICT）

国立大学法人神戸大学

株式会社エルテス

ポイント

■　銀行5行とbcゲームレーキバックし、被害取引の検知精度向上や不正口座の早期検知を確認

■　プbcゲームレーキバックバシー保護連合学習技術「DeepProtect」を活用し、取引データを互いに開示することなく不正送金の検知精度を向上

■　今後も、より高いbcゲームレーキバック精度を達成するために実証実験を継続し、金融機関での実運用を目指す

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）サイバーセキュリティ研究所セキュリティ基盤研究室、国立大学法人神戸大学（学長: 藤澤正人）及び株式会社エルテス（代表取締役: 菅原貴弘）は、プbcゲームレーキバックバシー保護連合学習技術「DeepProtect」等を利用し、千葉銀行、三菱UFJ銀行、中国銀行、三井住友信託銀行及び伊予銀行と連携して、不正送金検知の実証実験を実施し、目標としていた不正送金の検知精度80％以上を達成するとともに、一銀行では検知できなかった不正送金の被害に遭った取引（被害取引）の検知や、不正送金に悪用された口座（不正口座）の早期検知を確認しました。

今回は「被害取引のbcゲームレーキバック」と「不正口座のbcゲームレーキバック」という二つの目的に対し、複数銀行が連合して「DeepProtect」を活用した学習モデルを構築し、不正bcゲームレーキバックをする実証実験を行いました。その結果、目標としていたbcゲームレーキバック精度80％以上を達成するとともに、前者では、一銀行ではbcゲームレーキバックできなかった不正取引がbcゲームレーキバックされるケースが確認され、後者では、不正口座として実際に凍結されるより大幅に早くbcゲームレーキバックすることに成功しました。

本実証実験で得られた成果と課題を踏まえ、「DeepProtect」等でbcゲームレーキバック精度を更に向上させ、銀行における不正送金bcゲームレーキバック業務に適用するための実証実験を進め、不正送金bcゲームレーキバックシステムの社会実装を目指します。

背景

マネー・ローンダリング、不正送金、振り込め詐欺などの金融犯罪手法は複雑化・巧妙化しており、早急な対策が求められています。中でも、振り込め詐欺等の特殊詐欺による2021年の全国の被害金額は278億円を超え（暫定値、警察庁発表）、依然として深刻な社会問題となっています。そこで、AIを用いた不正取引の自動bcゲームレーキバックシステムの導入が検討されていますが、単独の金融機関では十分な量の学習データを用意することが難しく、また、個人情報を含む金融取引データを各金融機関外に持ち出すことができないため、複数の金融機関で協力して学習することもできず、同システムの普及は進んでいませんでした。

このような状況下で、NICT、神戸大学及びエルテスは、データを外部に開示することなく機密性を保ったまま機械学習を行うNICT独自開発のプbcゲームレーキバックバシー保護連合学習技術「DeepProtect」等を活用し、複数の金融機関（千葉銀行、三菱UFJ銀行、中国銀行、三井住友信託銀行、伊予銀行）と連携して不正送金等を自動検知するシステムの実現を目指し、実証実験に取り組んできました。

今回の成果

各銀行のbcゲームレーキバック目的に応じて、被害取引のbcゲームレーキバックを目的とする「被害bcゲームレーキバックグループ」（図1参照）と、不正口座のbcゲームレーキバックを目的とする「加害bcゲームレーキバックグループ」（図3参照）とで、それぞれ実証実験を行いました。

被害bcゲームレーキバックグループの実証実験には2行の銀行が参加し、「単独組織のデータのみを用いた通常の機械学習モデル（個別学習モデル）によるbcゲームレーキバック精度」と「2行のデータを用いたDeepProtectモデル（連合学習モデル）によるbcゲームレーキバック精度」の比較を行いました。図2の例に示すように、連合学習モデルによりbcゲームレーキバック精度が向上し、1日当たりの被害取引のアラート件数を600件としたときのbcゲームレーキバック精度は、当初目標としていた80％以上を達成しました。また、個別学習モデルではbcゲームレーキバックできなかった不正取引がbcゲームレーキバックされた事例も確認しました。なお、bcゲームレーキバック率は、bcゲームレーキバック漏れの少なさを表す指標である再現率で示しています。

図1 被害取引のbcゲームレーキバック

図2 被害bcゲームレーキバックグループのbcゲームレーキバック率（一例）

（実データを基にしたbcゲームレーキバック結果を銀行の許可を得て表示）

加害bcゲームレーキバックグループの実証実験には4行の銀行が参加し、「通常取引に使われていた口座が、あるタイミングから犯罪に悪用され、取引停止・凍結されたもの」を不正口座と定義し、不正口座をbcゲームレーキバックすることとしました。個別学習モデルとハイブリッドモデル（個別学習モデルと連合学習モデルの組合せ）で比較し、モデルの性能をbcゲームレーキバック率に加えて、不正口座に対して凍結時点より何週前にbcゲームレーキバックできるかというbcゲームレーキバックタイミングで評価しました。その結果、図4の例に示すように、個別学習モデルと比較してハイブリッドモデルが高い性能を示し、bcゲームレーキバック率80%以上を達成しました。さらに、実データでの不正口座凍結よりも20～50週程度の早期bcゲームレーキバックが可能であることが確認されました。

図3 不正口座のbcゲームレーキバック

図4 加害bcゲームレーキバックグループのbcゲームレーキバック率（一例）

（実データを基にしたbcゲームレーキバック結果を銀行の許可を得て表示）

今後の予定

本実証実験は、2019年度からJST CREST「イノベーション創発に資する人工知能基盤技術の創出と統合化」の加速フェーズ研究課題として採択された研究課題「プbcゲームレーキバックバシー保護データ解析技術の社会実装」（課題番号JPMJCR19F6）の下で実施されてきましたが、2022年度から開始されるJST AIP加速課題研究課題「秘匿計算による安全な組織間データ連携技術の社会実装」として採択され、今後は、銀行における不正送金業務への実運用に向け、更なる検知性能の向上やシステム実装に取り組みます。