A New Method to Evaluate the Performance of Models Trained with Synthetic Data When They are Applied to Real-World Data
Esta investigación aborda la tensión crítica en la modelización financiera entre la necesidad de datos robustos para la evaluación crediticia y la imperativa necesidad de proteger la privacidad de los prestatarios. Al aprovechar modelos generativos para crear conjuntos de datos sintéticos, las instituciones pueden realizar las evaluaciones de riesgo necesarias sin exponer información personal sensible. Este enfoque ofrece una alternativa viable al intercambio tradicional de datos, permitiendo una innovación continua en la tecnología financiera mientras se cumplen estrictas normativas de privacidad. El estudio evalúa la eficacia práctica de aplicar modelos de solvencia entrenados con estos datos sintéticos a escenarios del mundo real. Destaca que, aunque las técnicas generativas modernas, como TVAE, pueden imitar eficazmente la distribución y las relaciones entre características de los datos reales, introducen un costo medible en el rendimiento. Específicamente, se observa una reducción notable en el poder predictivo cuando los modelos dependen de entradas sintéticas en lugar de registros históricos auténticos, lo que indica un compromiso entre la accesibilidad de los datos y la precisión del modelo. Este hallazgo es altamente relevante para la comunidad de datos abiertos, ya que establece una línea base realista para el análisis que preserva la privacidad. Demuestra que, aunque los datos sintéticos facilitan la investigación y la colaboración abiertas al eliminar las barreras asociadas a los conjuntos de datos sensibles, no son un sustituto perfecto de los datos originales. Comprender esta deficiencia en la precisión es esencial para los desarrolladores e investigadores que construyen herramientas financieras de código abierto, ya que exige una consideración cuidadosa de las limitaciones inherentes a las estrategias de generación de datos que preservan la privacidad.
Fuente: marktechpost.comPublicado el 2023-01-23