[논문 리뷰] A Fair Pricing Model via Adversarial Learning

Vincent Grari, Arthur Charpentier외 1명|arXiv (Cornell University)|2022. 02. 24.

Insurance, Mortality, Demography, Risk Management인용 수 11

한 줄 요약

이 논문은 예측 정확도를 유지하면서 편향을 줄이기 위해 지리적 요소와 차량 관련 위험 요소를 분리하는 새로운 적대적 오토인코더 기반 프레임워크를 제안한다. 통합 모델을 통해 편향이 제거된 보험 가격 산정 요소를 학습함으로써, 합성 및 실세계 데이터셋 모두에서 전통적 방법보다 공정성과 성능 면에서 뛰어난 성능을 보였다.

ABSTRACT

At the core of insurance business lies classification between risky and non-risky insureds, actuarial fairness meaning that risky insureds should contribute more and pay a higher premium than non-risky or less-risky ones. Actuaries, therefore, use econometric or machine learning techniques to classify, but the distinction between a fair actuarial classification and "discrimination" is subtle. For this reason, there is a growing interest about fairness and discrimination in the actuarial community Lindholm, Richman, Tsanakas, and Wuthrich (2022). Presumably, non-sensitive characteristics can serve as substitutes or proxies for protected attributes. For example, the color and model of a car, combined with the driver's occupation, may lead to an undesirable gender bias in the prediction of car insurance prices. Surprisingly, we will show that debiasing the predictor alone may be insufficient to maintain adequate accuracy (1). Indeed, the traditional pricing model is currently built in a two-stage structure that considers many potentially biased components such as car or geographic risks. We will show that this traditional structure has significant limitations in achieving fairness. For this reason, we have developed a novel pricing model approach. Recently some approaches have Blier-Wong, Cossette, Lamontagne, and Marceau (2021); Wuthrich and Merz (2021) shown the value of autoencoders in pricing. In this paper, we will show that (2) this can be generalized to multiple pricing factors (geographic, car type), (3) it perfectly adapted for a fairness context (since it allows to debias the set of pricing components): We extend this main idea to a general framework in which a single whole pricing model is trained by generating the geographic and car pricing components needed to predict the pure premium while mitigating the unwanted bias according to the desired metric.

연구 동기 및 목표

• 규제 및 윤리적 우려가 증가하는 상황에서 보험 가격 산정의 공정성에 대한 점증하는 수요를 해결하기 위해.
• 비민감 변수(예: 위치, 차량 유형 등)에서 유래하는 대리 편향을 예측 정확도를 희생시키지 않고 완화하는 방법을 개발하기 위해.
• 오토인코더 기반 표현 학습을 통합된 종단 간 보험 가격 산정 모델로 확장하여 공정성 제약 조건을 통합하기 위해.
• 적대적 편향 제거가 보험 분야에서 표준 공정 기계학습 접근보다 더 효과적인가를 입증하기 위해.
• 연속적이고 이산적인 위험 요소를 포함한 실세계 보험 데이터에 일반화 가능한 프레임워크를 제공하기 위해.

제안 방법

• 프레임워크는 입력 특징에서 지리적 및 차량 관련 위험 요소의 분리된 표현을 학습하기 위해 딥 오토인코더를 사용한다.
• 학습된 위험 구성 요소와 보호된 속성(예: 성별, 위치를 통한 인종 대리 변수 등) 간의 의존도를 최소화하는 적대적 훈련 목표를 도입한다.
• 편향(최대 상관관계로 측정)과 순수 보험료 예측 정확도 사이의 트레이드오프를 제어하는 하이퍼파rameter λ가 존재한다.
• 순수 보험료 예측과 적대적 편향 제거를 동시에 최적화함으로써, 이중 단계 프로세스 없이 종단 간 훈련을 가능하게 한다.
• 이 방법은 다중 가격 산정 요소에 일반화 가능하며, 이산적이고 연속적인 민감한 속성 모두를 지원하며, 공간 데이터를 인종에 대한 대리 변수로 활용할 수 있다.
• 재구성 손실, 예측 손실, 적대적 손실을 조합한 수정된 손실 함수를 사용하여 공정성과 정확도를 균형 있게 조절한다.

실험 결과

연구 질문

• RQ1 적대적 오토인코더가 보험 가격 산정을 위한 공정하고 분리된 위험 구성 요소를 효과적으로 생성하는 데에 적합하게 적용될 수 있는가?
• RQ2 제안된 프레임워크는 지리적 및 차량 관련 특징에서 유래하는 대리 편향을 줄이면서도 예측 정확도를 유지하거나 향상시키는가?
• RQ3 하이퍼파rameter λ에 따라 공정성(최대 상관관계를 통한 측정)과 모델 정확도 사이의 트레이드오프는 어떻게 변화하는가?
• RQ4 제안된 방법이 보험 가격 산정 맥락에서 표준 공정 기계학습 알고리즘보다 더 효과적인가?
• RQ5 복잡하고 고차원적인 위험 요소와 공간적 대리 변수를 포함한 실세계 데이터셋에 모델이 일반화 가능한가?

주요 결과

• 제안된 AE_HGR 모델은 민감한 속성과 예측 간의 의존도를 크게 감소시켰으며, λ 값이 높을수록 프랑스의 각 도서에서 더 부드럽고 공정한 예측이 이루어졌다.
• 공간적 편향 완화 작업에서 λ를 0에서 0.6으로 증가시킴으로써, 44번 도서의 고위험 INSEE 코드 29830에서 극단적인 사고 발생 가능성 예측(예: 0.8 이상에서 약 0.4~0.6으로 감소)이 관찰되었다.
• 기본 모델(GLM)과 표준 공정 기계학습 접근법보다 더 나은 공정성-정확도 트레이드오프를 달성했으며, 특히 편향 감소와 함께 성능 유지 측면에서 뛰어났다.
• 오토인코더 기반 지리적 및 차량 위험 구성 요소의 분리 학습이 기존의 이중 단계 보험 가격 산정 모델보다 전체 예측 정확도를 향상시켰다.
• 민감한 속성이 직접 제공되지 않더라도, 위치를 보호된 특성의 대리 변수로 활용함으로써 공간적 편향을 성공적으로 중립화했다.
• 실증 결과는 모델의 공정성 향상이 중요한 예측 신호를 기각하지 않고 달성되었으며, 난이도 높은 편향 제거 방법과는 달리, 단순한 편향 제거 방법과는 다름을 확인했다.