論文の概要: Assessment of creditworthiness models privacy-preserving training with
synthetic data
- arxiv url: http://arxiv.org/abs/2301.01212v1
- Date: Sat, 31 Dec 2022 19:13:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 15:33:02.994107
- Title: Assessment of creditworthiness models privacy-preserving training with
synthetic data
- Title(参考訳): 合成データを用いた信用度モデルによるプライバシー保護トレーニングの評価
- Authors: Ricardo Mu\~noz-Cancino and Cristi\'an Bravo and Sebasti\'an A. R\'ios
and Manuel Gra\~na
- Abstract要約: 実世界のデータに適用した場合に合成データを用いて訓練したモデルの性能を評価する。
合成データでトレーニングされた信用度評価モデルでは、実際のデータでトレーニングされたモデルと比較して、AUCの3%、KSの6%が減少している。
- 参考スコア(独自算出の注目度): 4.014524824655106
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Credit scoring models are the primary instrument used by financial
institutions to manage credit risk. The scarcity of research on behavioral
scoring is due to the difficult data access. Financial institutions have to
maintain the privacy and security of borrowers' information refrain them from
collaborating in research initiatives. In this work, we present a methodology
that allows us to evaluate the performance of models trained with synthetic
data when they are applied to real-world data. Our results show that synthetic
data quality is increasingly poor when the number of attributes increases.
However, creditworthiness assessment models trained with synthetic data show a
reduction of 3\% of AUC and 6\% of KS when compared with models trained with
real data. These results have a significant impact since they encourage credit
risk investigation from synthetic data, making it possible to maintain
borrowers' privacy and to address problems that until now have been hampered by
the availability of information.
- Abstract(参考訳): 信用スコアモデルは、金融機関が信用リスクを管理するために使用する主要な手段である。
行動スコアに関する研究の不足は、データアクセスが難しいためである。
金融機関は、調査イニシアチブにおいて、借り手の情報のプライバシーとセキュリティを維持する必要がある。
本研究では,実世界のデータに適用した場合に,合成データを用いて訓練したモデルの性能を評価する手法を提案する。
その結果,属性数の増加に伴い,合成データの品質は低下傾向にあることがわかった。
しかし, 合成データを用いた信用度評価モデルでは, 実データで学習したモデルと比較して, auc の 3-% と ks の 6-% を削減できた。
これらの結果は、合成データからの信用リスク調査を奨励し、借り手のプライバシーを維持し、これまで情報の入手が妨げられていた問題に対処できるようにするため、大きな影響を与える。
関連論文リスト
- Scaling While Privacy Preserving: A Comprehensive Synthetic Tabular Data
Generation and Evaluation in Learning Analytics [0.412484724941528]
プライバシーは学習分析(LA)の進歩に大きな障害となり、匿名化の不十分さやデータ誤用といった課題を提示している。
合成データは潜在的な対策として現れ、堅牢なプライバシー保護を提供する。
LAの合成データに関する以前の研究では、プライバシーとデータユーティリティの微妙なバランスを評価するのに不可欠な、徹底的な評価が欠如していた。
論文 参考訳(メタデータ) (2024-01-12T20:27:55Z) - Reliability in Semantic Segmentation: Can We Use Synthetic Data? [52.5766244206855]
本稿では,セマンティックセグメンテーションにおける信頼性を評価するために,データの自動合成を行う最先端生成モデルに挑戦する。
安定拡散を微調整することにより、OODドメインやOODオブジェクトに塗布された合成データのゼロショット生成を行う。
我々は,合成データの性能と実OODデータの性能との間に高い相関関係を示し,妥当性を示す。
論文 参考訳(メタデータ) (2023-12-14T18:56:07Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - The Use of Synthetic Data to Train AI Models: Opportunities and Risks
for Sustainable Development [0.6906005491572401]
本稿では,合成データの生成,利用,普及を規定する政策について検討する。
優れた合成データポリシーは、プライバシの懸念とデータの有用性のバランスを取らなければならない。
論文 参考訳(メタデータ) (2023-08-31T23:18:53Z) - Auditing and Generating Synthetic Data with Controllable Trust
Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2023-04-21T09:03:18Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳(メタデータ) (2023-04-07T16:38:40Z) - Striving for data-model efficiency: Identifying data externalities on
group performance [75.17591306911015]
信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。
我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。
以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
論文 参考訳(メタデータ) (2022-11-11T16:48:27Z) - Holdout-Based Fidelity and Privacy Assessment of Mixed-Type Synthetic
Data [0.0]
aiベースのデータ合成はここ数年で急速に進歩しており、プライバシを尊重するデータ共有を可能にするという約束がますます認識されている。
我々は,合成データソリューションの信頼性とプライバシリスクを定量化するための,ホールドアウトに基づく実証的評価フレームワークを紹介し,実証する。
論文 参考訳(メタデータ) (2021-04-01T17:30:23Z) - Measuring Utility and Privacy of Synthetic Genomic Data [3.635321290763711]
人工ゲノムデータを生成するための5つの最先端モデルの実用性とプライバシ保護を最初に評価する。
全体として、ボード全体でうまく機能する合成ゲノムデータを生成するための単一のアプローチは存在しない。
論文 参考訳(メタデータ) (2021-02-05T17:41:01Z) - PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework
Based on Adversarial Learning [111.19576084222345]
本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。
PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。
結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
論文 参考訳(メタデータ) (2020-10-06T07:04:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。