[论文解读] 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 8

一句话总结

本文提出了一种基于CTGAN的工作流程，用于生成逼真的合成保险数据集，针对表格数据和保险领域特定的预处理进行了修改。该方法展示了高机器学习效能、准确的分布保真度以及稳定的模型参数，通过一个开源R包实现了隐私保护的数据共享。

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.

研究动机与目标

• 解决精算研究和开源方法开发中缺乏公开可用的真实保险数据集的问题。
• 开发一种可复现的、隐私保护的工作流程，利用生成对抗网络（GAN）生成合成保险数据。
• 评估合成数据集在机器学习性能、变量分布准确性以及模型参数稳定性方面的表现。
• 通过提供R接口和代码模板，促进研究人员和数据所有者采用该方法。
• 探索最小化隐私风险的同时实现数据共享的数据披露策略。

提出的方法

• 将最先进的表格数据GAN架构CTGAN适配至保险数据集，结合领域特定的预处理和后处理。
• 对模式特定的归一化进行应用，以处理多峰数值分布，并采用条件采样训练方法处理类别变量的不平衡问题。
• 实施基于交叉验证的评估框架，以评估合成数据的机器学习效能。
• 通过预处理对敏感字段（如社保号、出生日期）进行匿名化处理，并通过后处理纠正生成样本中的数据质量问题。
• 开发R包ctgan，以实现研究人员和数据所有者轻松集成与采用。
• 提供两种披露模式：共享采样的合成数据集，或分发训练好的生成器模型（含或不含参数）。

实验结果

研究问题

• RQ1 基于CTGAN的生成器能否生成保持真实数据统计特性的合成保险数据集？
• RQ2 在合成数据上训练的机器学习模型性能与在真实数据上训练的模型相比如何？
• RQ3 关键保险变量（如地区、奖惩系数、区域）的分布与原始数据的匹配程度如何？
• RQ4 在多个交叉验证折中，基于合成数据训练的模型参数稳定性如何？
• RQ5 分发训练好的合成器存在哪些隐私影响？数据所有者如何将风险降至最低？

主要发现

• 合成数据集在机器学习效能方面表现优异，在多个交叉验证折中，基于合成数据训练的模型性能与真实数据上的表现高度一致。
• 关键精算因素（如地区、区域、奖惩系数）的变量分布，在合成数据中得到了良好保留。
• 在多个交叉验证训练运行中，模型参数的相对关系表现出高度一致性，表明合成数据具有良好的稳定性。
• R包ctgan可无缝集成至现有数据科学工作流程中，推动了该方法在精算研究社区的广泛应用。
• 当应用适当的预处理和访问控制时，数据所有者可安全地披露合成数据或训练好的生成器，显著降低成员推断攻击的风险。
• 该方法支持数据集共享和按需生成，提供了灵活的隐私保护数据披露选项。