Generativní metody vhodné pro anonymizaci a tvorbu testovacích dat v bankovnictví

Abstract

Produkční data často obsahují velmi citlivé informace a je složité s nimi manipulovat. Má práce zkoumá generativní metody strojového učení a jejich schopnost naučit se distribuci dat. Tato schopnost je použita pro generování syntetických dat, která mohou v případě potřeby kompletně nahradit ty reálná. Práce nejprve prezentuje teoretický základ a věnuje se do hloubky dvěma metodám hlubokého učení, VAE a GAN. Existující modifikace GAN pro tabulková data, CTGAN, je implementována a na bankovních datech je natrénován model. Výsledky vycházející z různých metrik ukazují, že tento způsob anonymizace bankovních dat může být velmi úspěšný a jsou navrženy další kroky, které mohou zakládat na této práci. Práce je tvořena ve spolupráci s Komerční Bankou.

Production tabular data are often extremely sensitive and thus difficult to manipulate. My thesis surveys generative machine learning methods and their ability to learn data distributions. This ability is used to generate new synthetic data that can completely replace the original data where it is needed. The thesis provides a theoretical basis with a strong focus on two significant deep learning approaches, VAE and GAN. Existing GAN modification for tabular data, CTGAN, is implemented and trained with banking dataset as a proof of concept. Results from different metrics show that the chosen anonymization approach of banking data might be very successful and steps following this thesis are suggested. The thesis was written in collaboration with Komerční Banka.