[論文レビュー] Generative Synthesis of Insurance Datasets

Kevin Kuo|arXiv (Cornell University)|Dec 5, 2019

Machine Learning in Healthcare参考文献 16被引用数 8

ひとこと要約

本稿では、表形式データおよび保険分野固有の前処理を加えたCTGANベースのワークフローを提案し、リアルな合成保険データセットの生成を実現する。高い機械学習効率、正確な分布の忠実性、安定したモデルパラメータを示し、オープンソースのRパッケージを介してプライバシー保護型のデータ共有を可能にする。

ABSTRACT

One of the impediments in advancing actuarial research and developing open source assets for insurance analytics is the lack of realistic publicly available datasets. In this work, we develop a workflow for synthesizing insurance datasets leveraging CTGAN, a recently proposed neural network architecture for generating tabular data. Applying the proposed workflow to publicly available data in the domains of general insurance pricing and life insurance shock lapse modeling, we evaluate the synthesized datasets from a few perspectives: machine learning efficacy, distributions of variables, and stability of model parameters. This workflow is implemented via an R interface to promote adoption by researchers and data owners.

研究の動機と目的

• 保険研究やオープンソースのメソドロジー開発のための、公開可能でリアルな保険データセットの不足に対処すること。
• 生成対角ネットワーク（GAN）を用いた再現可能でプライバシー保護型のワークフローを開発し、合成保険データを生成すること。
• 機械学習性能、変数の分布の正確さ、モデルパラメータの安定性の観点から合成データセットを評価すること。
• 研究者やデータ所有者が利用しやすいように、Rインターフェースとコードテンプレートを提供して採用を促進すること。
• プライバシーリスクを最小限に抑えつつデータ共有を可能にするデータ開示戦略を検討すること。

提案手法

• 表形式データ向けの最先端のGANアーキテクチャであるCTGANを、分野特有の前処理および後処理を施した保険データセットに適応する。
• 多峰性を示す数値分布に対応するためのモード特化正規化と、不均衡なカテゴリカル変数のための条件付きサンプリングによるトレーニングを適用する。
• 機械学習効率の評価のため、交差検証に基づく評価フレームワークを実装する。
• 機密性の高いフィールド（例：社会保障番号、生年月日）を匿名化するための前処理と、生成されたサンプルのデータ品質問題を是正するための後処理を実施する。
• 研究者やデータ所有者が簡単に統合・採用できるよう、Rパッケージctganを開発する。
• 2種類の開示モードを提供する：サンプリングされた合成データセットの共有、またはパrameterを含む・含まない訓練済みジェネレータモデルの配布。

実験結果

リサーチクエスチョン

• RQ1 CTGANベースのジェネレータは、実データの統計的性質を保持した合成保険データセットを生成できるか？
• RQ2 合成データで訓練した機械学習モデルの性能は、実データで訓練したモデルと比べてどの程度高いか？
• RQ3 主な保険変数（例：地域、ボーナス・マロス、面積）の分布が、元のデータとどの程度一致するか？
• RQ4 複数の交差検証フォールドで合成データを用いてモデルを訓練した際のモデルパラメータの安定性はいかがなものか？
• RQ5 訓練済みシンセサイズの開示にはどのようなプライバシー的影響があるか？データ所有者はリスクをどのように低減できるか？

主な発見

• 合成データセットは高い機械学習効率を達成しており、複数のフォールドにわたり、合成データ上でのモデル性能が実データ上での性能と密接に一致した。
• 地域、面積、ボーナス・マロスなどの主要な精算要因についても、合成データ上での変数分布が実データとよく一致していた。
• 交差検証による複数回のトレーニング実行において、モデルパラメータの相対関係が強く一貫しており、合成データの安定性が裏付けられた。
• Rパッケージctganにより、既存のデータサイエンスワークフローへのシームレスな統合が可能となり、actuarial研究コミュニティにおける採用が促進された。
• データ所有者は、合成データや訓練済みジェネレータを安全に開示可能であり、適切な前処理とアクセス制御を施せば、メンバー推定攻撃のリスクも低減される。
• 本アプローチは、データセットの共有とオンデマンド生成の両方をサポートしており、柔軟なプライバシー保護型のデータ開示オプションを提供する。