Recherche & Développement Toutes les publications Génération synthétique de données confidentielles

Génération synthétique de données confidentielles


ETUDE INTERNE
AUTEUR : HENRI CHHOA, SALIM KABIRI ET YANN HUQUET

 

La confidentialité des données bancaires et assurantielles constitue un enjeu majeur pour leur exploitation. Les techniques de synthèse de données permettent de répondre à cet impératif en conciliant les critères de confidentialité, de fidélité et d’utilité des données générées. Dans cet article, nous comparons les performances de trois méthodes de synthèse de données (Conditional Tabular Generative Adversarial Network, Tabular Variational Autoencoder et copule gaussienne) sur des cas d’usage métier issus du secteur de la banque (scoring d’octroi, prédiction de revenus) et de l’assurance (tarification en prime pure). La validation de ces critères est évaluée à l’aide de scores construits à partir d’indicateurs statistiques (corrélations, distances entre distributions). Les résultats obtenus révèlent des variations de performances en fonction des caractéristiques du cas d’usage ainsi que des types de variables présents dans les données sensibles à synthétiser.

Télécharger le PDF

Publications récentes

#news

24/04/2023

Analyse ESG assistée par NLP : cas pratique sur données et modèles open-source

Lire plus

24/04/2023

BENCHMARK | Des solutions de data anonymisation

Lire plus

24/04/2023

Gestion du risque des crypto-actifs par analyse on-chain

Lire plus