Op weg naar een veilige opsporing van financiële misdrijven
Dit voorjaar organiseerden de regeringen van de VS en het VK gezamenlijk de ‘Summit for Democracy’ - gericht op het bevorderen en beschermen van democratische waarden. Een onderdeel van deze top was de PETs Prize Challenge, bedoeld om privacyverbeterende technologieën te ontwikkelen om gebruikers in onze datagestuurde samenleving te beschermen. Tegelijkertijd was het doel om de uitdagingen van onze steeds digitalere samenleving, zoals financiële fraude, aan te pakken. In deze internationale wedstrijd won het team van de TU Delft de tweede prijs door het meest effectieve model te ontwikkelen voor het detecteren van financiële fraude zoals het witwassen van geld.
Privacyverbeterende technologieën zijn cruciaal in de huidige datagestuurde samenleving, waarin dagelijks enorme hoeveelheden gegevens worden verzameld, verwerkt en gedeeld. PET's zijn ontworpen om de privacy en veiligheid te verbeteren door deze gevoelige gegevens te beschermen, terwijl er toch nuttige informatie uit kan worden gehaald. PET's kunnen ons dus helpen privacygevoelige netwerken te analyseren, zoals internationale financiële en biomedische onderzoeksgegevens, en tegelijk de privacy en vertrouwelijkheid waarborgen.
De internationale wedstrijd was opgezet om de basis te leggen voor nuttige nieuwe technologieën op dit gebied. Het team waaraan de TU Delft deelnam - PPMLHuskies genaamd, waaraan de Delftse onderzoekers Zeki Erkin, Jelle Vos en Célio Porsius Martins deelnamen - ontwikkelde een privacybeschermend machine-learningmodel om afwijkende betalingen in het internationale SWIFT-banksysteem op te sporen. Door dit machine-learningmodel te combineren met een nieuw cryptografisch protocol konden zij veilig berekeningen uitvoeren over de gezamenlijke SWIFT-dataset. Door zich vooral te richten op het opsporen van de transactielussen van het witwassen van geld - witgewassen geld komt meestal weer in dezelfde ruimte terecht - konden zij fraude opsporen zonder de gegevens van particulieren te ontsleutelen. Om bovendien te voorkomen dat het machine-learningmodel instanties uit de trainingsgegevens onthoudt en zo gevoelige informatie kan afleiden, trainde het team het model met een algoritme dat differentiële privacy garandeert.
Het was erg inspirerend om alle creatieve oplossingen te zien die teams van over de hele wereld aandroegen. Voor mij benadrukt dat twee dingen. Ten eerste dat we ons een digitale samenleving kunnen voorstellen waarin we iets wat ons allemaal dierbaar is, namelijk privacy, zwaar beschermen. Ten tweede benadrukt het zien van deze spannende vooruitgang die op het hoogste niveau in de VS en het VK plaatsvindt, dat we ook hier in Nederland nog veel werk te doen hebben.
Zeki Erkin
The team behind PPMLHuskies was particularly motivated to participate in the financial crime detection track because it challenged participants to build a working solution for a critical problem with data that is also vertically distributed across data holders. Given that much of the existing work in federated learning has been developed for horizontally partitioned data only, the team saw room for novel methodological contributions in this track. Team PPML Huskies' approach highlights the importance of privacy in machine learning, as well as the need for novel solutions to address complex problems in our data-driven society.