[논문 리뷰] Generative Synthesis of Insurance Datasets

Kevin Kuo|arXiv (Cornell University)|2019. 12. 05.

Machine Learning in Healthcare참고 문헌 16인용 수 8

한 줄 요약

이 논문은 테이블 형식의 데이터와 보험 분야에 특화된 사전 및 사후 처리를 적용한 CTGAN 기반 워크플로우를 제안하여 현실적인 합성 보험 데이터셋을 생성한다. 높은 기계학습 성능, 정확한 분포 충실도, 안정적인 모델 파라미터를 입증하며, 오픈소스 R 패키지를 통해 개인정보 보호 기반의 데이터 공유를 가능하게 한다.

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.

연구 동기 및 목표

• 보건 연구 및 오픈소스 방법론 개발을 위한 공개 가능한 현실적인 보험 데이터셋의 부족을 해결하기 위해.
• 생성적 적대적 네트워크(GANs)를 사용하여 재현 가능하고 개인정보 보호 기반의 합성 보험 데이터 생성 워크플로우를 개발하기 위해.
• 기계학습 성능, 변수 분포 정확도, 모델 파라미터 안정성 측면에서 합성 데이터셋을 평가하기 위해.
• 연구자와 데이터 소유자가 쉽게 활용할 수 있도록 R 인터페이스와 코드 템플릿을 제공하여 보급을 촉진하기 위해.
• 개인정보 위험을 최소화하면서도 데이터 공유를 가능하게 하는 데이터 유출 전략을 탐색하기 위해.

제안 방법

• 테이블 형식의 데이터에 최적화된 최신 기술인 CTGAN 아키텍처를 보험 데이터셋에 적용하고 도메인 특화 사전 및 사후 처리를 적용한다.
• 다중 모드 수치 분포를 처리하기 위해 모드별 정규화를 적용하고, 불균형한 범주형 변수의 경우 조건부 샘플링 기반 학습을 적용한다.
• 기계학습 성능 평가를 위해 교차검증 기반 평가 프레임워크를 구현한다.
• 기존 데이터 품질 문제를 보완하기 위해 사전 처리를 통해 민감한 필드(예: 주민등록번호, 생년월일)를 익명화하고, 사후 처리를 통해 생성된 샘플의 품질 문제를 수정한다.
• 연구자와 데이터 소유자가 쉽게 통합하고 활용할 수 있도록 R 패키지 ctgan을 개발한다.
• 두 가지 공유 모드를 제공한다: 샘플링된 합성 데이터셋을 공유하거나, 학습된 생성 모델(파라미터 포함 또는 미포함)을 배포한다.

실험 결과

연구 질문

• RQ1 CTGAN 기반 생성 모델은 실제 데이터의 통계적 성질을 유지하는 합성 보험 데이터셋을 생성할 수 있는가?
• RQ2 합성 데이터셋으로 학습된 기계학습 모델의 성능은 실제 데이터셋으로 학습된 모델과 비교해 얼마나 우수한가?
• RQ3 주요 보험 변수들(예: 지역, 보험할인/적립금, 지역)의 분포가 원본 데이터와 얼마나 유사한가?
• RQ4 다중 교차검증 폴드에서 합성 데이터로 학습한 모델의 파라미터는 얼마나 안정적인가?
• RQ5 학습된 합성 모델을 공유할 경우 개인정보 유출의 위험은 어떻게 발생하며, 데이터 소유자는 어떻게 위험을 최소화할 수 있는가?

주요 결과

• 합성 데이터셋은 높은 기계학습 성능을 달성하였으며, 여러 폴드에서 실데이터로 학습한 모델 성능과 매우 유사한 결과를 보였다.
• 주요 정책적 요소인 지역, 지역, 보험할인/적립금 등의 변수 분포가 합성 데이터셋에서도 잘 유지되었다.
• 다중 교차검증 학습 런에서 모델 파라미터의 상대적 일관성이 높게 나타나, 합성 데이터의 안정성을 입증하였다.
• R 패키지 ctgan은 기존 데이터 과학 워크플로우에 원활하게 통합될 수 있어, 보험 연구계 전반에서의 보급을 촉진한다.
• 데이터 소유자는 합성 데이터나 학습된 생성 모델을 안전하게 공유할 수 있으며, 적절한 사전 처리 및 액세스 제어 조치를 취할 경우 멤버십 추론 공격 위험도 감소된다.
• 이 접근법은 데이터셋 공유와 온디맨드 생성을 모두 지원하여, 개인 정보 보호 기반의 다양한 데이터 공유 전략을 제공한다.