银行家生成式 AI：合成金融交易数据的基准测试与算法
机器学习
2024-12-20 v1
摘要
银行部门面临数据敏感性和监管约束限制深度学习应用的挑战，但生成式 AI 可能提供解决方案。因此，本研究识别了有效的用于生成合成金融交易数据的数据生成算法，并评估了五个领先模型——条件表格生成对抗网络 (CTGAN)、DoppelGANger (DGAN)、Wasserstein GAN、金融扩散模型 (FinDiff) 和表格变分自编码器 (TVAE)——在五个标准中的表现：保真度、合成质量、效率、隐私和图结构。尽管没有任何算法能够复制真实数据的图结构，但每个算法在特定领域都表现突出：DGAN 适合隐私敏感任务，FinDiff 和 TVAE 在数据复制和增强方面表现优异，CTGAN 在所有五个标准上取得平衡，适用于具有中等隐私顾虑的通用应用。因此，我们的发现为选择最合适的算法提供了宝贵的见解。
引用
@article{arxiv.2412.14730,
title = {Generative AI for Banks: Benchmarks and Algorithms for Synthetic Financial Transaction Data},
author = {Fabian Sven Karst and Sook-Yee Chong and Abigail A. Antenor and Enyu Lin and Mahei Manhai Li and Jan Marco Leimeister},
journal= {arXiv preprint arXiv:2412.14730},
year = {2024}
}
备注
Presented at the 34th Workshop on Information Technologies and Systems (WITS 2024)