Privacy-Preserving GNN Inference on Financial Transaction Graphs via Homomorphic Encryption

📄 arXiv: 2610.18054v1 📥 PDF

作者: H. Çağrı Bilgi, Kemal Mutluergil, Ceren Yıldırım, Kubilay Atasu, Erkay Savas

分类: cs.CR, cs.LG

发布日期: 2026-10-13

💡 一句话要点

提出隐私保护的GNN推理框架以解决金融交易图的隐私问题

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 隐私保护 图神经网络 同态加密 金融交易 反洗钱 机器学习 数据隐私

📋 核心要点

  1. 现有的反洗钱方法面临着银行间无法共享交易特征的隐私挑战，限制了模型的有效性。
  2. 本文提出了一种隐私保护的GNN推理框架，利用同态加密技术在不泄露明文数据的情况下进行推理。
  3. 在IBM AML基准上，模型性能与明文基线相当，且在消费级GPU上实现了显著的推理速度提升。

📝 摘要（中文）

反洗钱（AML）在金融网络中需要建模跨多个机构的交易模式。然而，由于严格的隐私法规，银行无法共享账户和交易特征。本文提出了一种针对多银行环境的隐私保护图神经网络（GNN）推理框架。中心服务器以明文形式持有图的连接性和预训练模型权重，而每个银行则保持其交易特征的加密状态。推理完全在CKKS同态加密方案下进行，因此不会向服务器暴露明文交易特征或预测。关键在于边中心的GNN架构，通过节点-边关联矩阵的操作表达消息传递，保留了交易网络的边属性多重图结构，并将每个聚合步骤简化为明文-密文矩阵乘法。实验表明，该模型在IBM AML基准上表现出与明文基线相当的性能，且在消费级GPU上，查询每笔交易的端到端时间可低至5.31秒，优化后每笔交易的延迟可降至1.65秒。

🔬 方法详解

问题定义：本文旨在解决金融交易图中由于隐私法规限制而导致的交易特征无法共享的问题。现有方法无法在保护隐私的前提下有效进行反洗钱建模。

核心思路：提出了一种隐私保护的图神经网络推理框架，利用CKKS同态加密技术，使得银行能够在不暴露明文数据的情况下进行推理。通过边中心的GNN架构，优化了消息传递过程。

技术框架：整体架构包括中心服务器和各个银行。中心服务器持有图的连接性和预训练模型权重，而银行则保持交易特征的加密状态。推理过程在加密特征上进行，确保数据隐私。

关键创新：最重要的创新在于边中心的GNN架构，通过节点-边关联矩阵的操作实现消息传递，保留了交易网络的边属性多重图结构，并将聚合步骤简化为明文-密文矩阵乘法。

关键设计：在模型设计中，采用了CKKS同态加密方案，并将每个非线性激活函数近似为复合多项式，针对每个激活位置进行校准，以适应同态加密的限制。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，本文模型在IBM AML基准上与明文基线的性能相当，且在消费级GPU上，查询每笔交易的端到端时间可低至5.31秒，优化后每笔交易的延迟可降至1.65秒，展示了显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括金融反洗钱、欺诈检测和其他需要保护隐私的金融分析场景。通过在不泄露敏感信息的情况下进行有效的模型推理，能够提升金融机构在合规性和安全性方面的能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Anti-money laundering (AML) in financial networks requires modeling transaction patterns that span multiple institutions. In practice, however, banks cannot share account and transaction features due to strict privacy regulations. We propose a privacy-preserving graph neural network (GNN) inference framework tailored to this multi-bank setting. A central server holds the graph connectivity and pretrained model weights in plaintext, while each bank keeps its transaction features encrypted. Inference is then carried out entirely on encrypted features under the CKKS homomorphic encryption scheme, so that no plaintext transaction features or predictions are exposed to the server. The key to making this practical is an edge-centric GNN architecture, wherein message passing is expressed through operations on node--edge incidence matrices. This formulation not only preserves the edge-attributed multigraph structure of transaction networks but also reduces every aggregation step to plaintext--ciphertext matrix products. Since CKKS can evaluate only polynomial circuits, we also approximate each nonlinearity with a composite polynomial of the sign function, which we calibrate per activation site. On the IBM AML benchmark, our model achieves performance competitive with plaintext baselines, and with a consumer-grade GPU, classifies each queried transaction end-to-end in as little as \textbf{5.31} seconds, while per-transaction latency can be amortized to \textbf{1.65} seconds when optimized for throughput.