GAN FOR DATA SYNTHESIS WHILE MINIMIZING PREDICTIVE POWER LOSS

Дмитро Масюк; Георгій Гайна

doi:10.28925/2663-4023.2026.34.1241

Автор(и)

Дмитро Масюк Київський національний університет імені Тараса Шевченка https://orcid.org/0009-0002-0840-5558
Георгій Гайна Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0003-0260-0950

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1241

Ключові слова:

анонімізація даних, фінансові ризики, машинне навчання, конфіденційність, якість даних, шахрайство

Анотація

У сучасному фінансовому середовищі здатність ефективно використовувати дані для розробки інтелектуальних методів виявлення ризиків становить значний етичний виклик. Водночас це не зменшує їхньої необхідності. Це є однією з ключових проблем, яку необхідно вирішити в межах даного дослідження. Якість і обсяг даних, які можуть бути використані, значною мірою залежать від ефективності запропонованого підходу до анонімізації. Анонімізація це процес трансформації наборів даних з метою унеможливлення ідентифікації окремих осіб або організацій. Вона набуває критичного значення для забезпечення конфіденційності та відповідності нормативним вимогам у дослідженнях, що працюють із чутливою фінансовою інформацією. Із посиленням регуляторних рамок, таких як GDPR у Європейському Союзі та подібних законодавчих ініціатив у світі, етичні підходи до анонімізації стають не просто бажаними, а обов’язковими для забезпечення правової відповідності та відповідального проведення досліджень. Розвиток методів машинного навчання та аналітики великих даних підвищив ризик повторної ідентифікації, особливо у випадках, коли анонімізовані дані комбінуються із зовнішніми джерелами [1]. Це ставить під сумнів ефективність традиційних методів анонімізації в умовах високоризикових фінансових застосувань і обмежує можливість їх повноцінного використання. Водночас надмірна анонімізація призводить до деградації якості даних, іноді суттєвої, що обмежує здатність алгоритмів виявляти необхідні закономірності для ефективного визначення шахрайських операцій. Етична практика вимагає досягнення балансу між захистом конфіденційності та забезпеченням точності й практичної цінності моделей. Пошук цього балансу ускладнюється зі зростанням попиту на анонімні дані. Видалення ключових демографічних або поведінкових характеристик може ненавмисно призводити до зміщення моделей, особливо у задачах виявлення шахрайства або скорингу, що негативно впливає як на їхню ефективність, так і на інтерпретованість, яка сьогодні є критично важливою.

Завантаження

Дані завантаження ще не доступні.

Посилання

Ohm, P. (2010). Broken promises of privacy: Responding to the surprising failure of anonymization. UCLA Law Review, 57(6), 1701-1777.

Kim, K. (2025). Self-refining language model anonymizers via adversarial distillation.

Rocha, Á. (n.d.). Generative AI in FinTech: Revolutionizing finance through intelligent algorithms.

Kaplan, J. (2025). Generative artificial intelligence: What everyone needs to know. Oxford University Press.

Goodfellow, I. J., et al. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems, 27.

Xu, L., et al. (2019). Modeling tabular data using conditional GAN. Advances in Neural Information Processing Systems.

Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. In Proceedings of the 34th International Conference on Machine Learning (pp. 214-223).

Alqulaity, M., & Yang, P. (2024). Enhanced conditional GAN for high-quality synthetic tabular data generation in mobile-based cardiovascular healthcare. Sensors, 24(23), 7673.

Engelmann, J., & Lessmann, S. (2020). Conditional Wasserstein GAN-based oversampling of tabular data for imbalanced learning.

Radford, A., Metz, L., & Chintala, S. (2016). Unsupervised representation learning with deep convolutional generative adversarial networks.