Neue Studie beleuchtet Datenschutzrisiken bei synthetischen Finanzdaten
Eine aktuelle Veröffentlichung auf arXiv untersucht die Balance zwischen Datenschutz und Nutzen bei der Erzeugung synthetischer Finanzdaten. Der Fokus liegt auf tabellarischen Datensätzen, die durch hohe regulatorische Anforderungen und starke Klassenungleichgewichte gekennzeichnet sind.
Die Autoren analysieren verschiedene gängige Generatoren – darunter Autoencoder, generative adversarial networks (GANs), Diffusionsmodelle und Copula-basierte Synthesizer. Besonders hervorzuheben sind die neu entwickelten, datenschutzfreundlichen Implementierungen von GANs und Autoencodern, die speziell auf die Herausforderungen des Finanzsektors zugeschnitten sind.
Durch umfangreiche Tests wird ermittelt, inwieweit die Modelle gleichzeitig Datenqualität, Anwendungsnutzen und Privatsphäre gewährleisten können. Dabei werden sowohl ausgeglichene als auch stark unausgeglichene Eingangsdaten berücksichtigt, um die spezifischen Schwierigkeiten bei der Synthese von Finanzdaten mit ausgeprägter Klassenungleichheit und gemischten Attributtypen zu beleuchten.
Die Ergebnisse liefern wertvolle Einblicke in die Komplexität der synthetischen Datenproduktion im Finanzbereich und zeigen, wie man die Spannungsfelder zwischen Datenschutz und praktischer Nutzbarkeit besser steuern kann.