Predictive Analysis based on the Data Reproduction using Generative Adversarial Network

Abstract

Generative Adversarial Network (GAN) is a type of neural network consists of two networks, generator and discriminator, and these networks are used to the synthesize the data which preserve some property of the original data. The generator and the discriminator compete with each other to achieve certain equivalence while training. GAN is primarily utilized in data synthesis, and its recent applications to confidential datasets are noticeable. Especially in the field of insurance, predominant cases of data deal with the private information of the policyholders, which makes the data rarely accessible from outside of the insurance company. In this regard, synthesizing the data is important issue in insurance so that multiple insurance companies and regulator can share the synthesized data within important information on the policyholders. Knowing that the goal of insurance data analysis is the predictive analysis, it is important to check whether the synthesized data guarantee the certain quality of predictive analysis. In this thesis, via simulation study, we analyze the quality of predictive analysis using synthesized data generated by GAN.;적대적 생성 모형(Generative Adversarial Network, GAN)은 신경망의 일종으로, 생성자 네트워크와 판별자 네트워크를 서로 연결하여 새로운 데이터를 합성하되 원 데이터의 성질을 잃지 않는 것을 그 목적으로 한다. 생성자와 판별자는 모형의 훈련 과정에서 서로 경쟁하여 평형을 이루게 된다. GAN의 주된 목적은 데이터 합성이나, 최근 보안 문제가 결부된 데이터셋에 대한 방안으로 이목을 끌고 있다. 대부분의 보험 데이터는 보험 가입자의 민감한 정보를 포함하고 있으므로 보험 당사 외적인 접근이 불가능했으나, 이와 같은 접근을 통해 합성된 보험 데이터는 복수의 보험사 및 관리 기관 등에서 모두 공유될 수 있다. 그러나, 보험데이터 분석의 목적이 예측분석에 있다는 점을 고려한다면 합성된 자료가 예측분석에 필요한 요소를 확보하고 있는지 검증할 필요성이 있다. 본 논문에서는 시뮬레이션 분석을 이용하여 GAN으로 생성된 합성 데이터를 통한 예측분석의 합리성을 분석하고자 한다.