FairFinGAN: Fairness-aware Synthetic Financial Data Generation

El artículo presenta FairFinGAN, un marco basado en WGAN que genera datos financieros sintéticos equilibrando la mitigación de sesgos en atributos protegidos con la preservación de la utilidad para tareas predictivas.

Lo esencial

¡Claro que sí! Imagina que el mundo de las finanzas (bancos, préstamos, tarjetas de crédito) es como un gigantesco juego de ajedrez donde las decisiones las toman computadoras muy rápidas. El problema es que estas computadoras aprenden a jugar mirando un libro de reglas muy antiguo y lleno de errores.

Aquí te explico el papel FairFinGAN como si fuera una historia sencilla:

1. El Problema: El Libro de Reglas Viejo y Sesgado

Imagina que un banco quiere decidir quién recibe un préstamo. Para aprender, la computadora mira miles de casos pasados. Pero, ¡oh no! En el pasado, la gente fue discriminada por su género, raza o edad.

• La analogía: Es como si un entrenador de fútbol entrenara a su equipo mirando solo partidos antiguos donde solo permitían jugar a hombres altos. Si le das ese "libro de reglas" a una nueva computadora, aprenderá a decir: "¡Solo los hombres altos ganan!", aunque eso sea injusto y falso.
• Además, los bancos no pueden compartir sus datos reales con investigadores porque contienen información privada (como tu número de cuenta o tu dirección). Es un secreto de estado.

2. La Solución Antigua: Fotocopiar el Error

Antes, los investigadores intentaban crear "datos falsos" (datos sintéticos) para estudiar el problema sin usar datos reales. Usaban máquinas llamadas GANs (Redes Generativas Antagónicas).

• La analogía: Imagina que le pides a un artista que copie un cuadro famoso. Si el cuadro original tenía un error (por ejemplo, un árbol que crece hacia abajo), el artista, al copiarlo, también dibujará el árbol hacia abajo. La máquina copiaba los datos, pero copiaba también el prejuicio. ¡El problema se repetía!

3. La Estrella del Show: FairFinGAN (El "Chef Justo")

Aquí es donde entra FairFinGAN. Es una nueva máquina inteligente diseñada por los autores del paper. Su misión no es solo copiar los datos, sino copiarlos y corregirlos al mismo tiempo.

Imagina que FairFinGAN es un chef estrella que prepara un plato (los datos) para un banquete (el banco).

• El ingrediente secreto: En lugar de solo cocinar, el chef tiene un saborizador experto (un juez) que le dice: "Oye, esta sopa sabe un poco a discriminación por edad. ¡Quítale un poco de sal!".
• Cómo funciona:
  1. Fase 1 (Cocinar): La máquina crea datos falsos que se ven y se sienten como datos reales (para que los bancos puedan usarlos sin miedo a la privacidad).
  2. Fase 2 (El Juez Justo): Aquí está la magia. La máquina tiene un "juez" interno que prueba los datos. Si el juez nota que los datos favorecen a un grupo sobre otro (por ejemplo, si los hombres parecen más ricos que las mujeres solo por el dato), la máquina tira esos datos a la basura y los vuelve a cocinar hasta que el sabor sea justo.

4. ¿Qué logró esta máquina?

Los autores probaron su invento en 5 bancos reales (con datos de tarjetas de crédito, créditos, etc.).

• El resultado: Lograron crear datos falsos que son tan útiles como los reales (los bancos pueden hacer predicciones precisas) pero sin el veneno de la injusticia.
• La analogía final: Es como tener una fotocopiadora que, al copiar un documento lleno de errores raciales o de género, automáticamente corrige los errores mientras copia, entregándote una versión limpia, justa y lista para usar, sin que nadie sepa que el original estaba "sucio".

En resumen:

FairFinGAN es una herramienta que nos permite crear datos financieros de fantasía que son tan buenos como los reales, pero que han pasado por un "filtro de justicia" para asegurarse de que no discriminen a nadie. Es como enseñar a una computadora a ser un juez imparcial antes de que tome decisiones importantes sobre tu dinero.

¡Y lo mejor es que ahora los investigadores pueden jugar con estos datos sin violar la privacidad de nadie!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "FairFinGAN: Fairness-aware Synthetic Financial Data Generation" en español, estructurado según los puntos solicitados:

1. Planteamiento del Problema

Los conjuntos de datos financieros a menudo contienen sesgos históricos y estructurales (derivados de discriminación pasada, procesos de recolección de datos o deficiencias algorítmicas) que pueden llevar a decisiones automatizadas injustas en sistemas de crédito, préstamos y evaluación de riesgos. Estos sesgos suelen estar asociados a atributos protegidos como género, raza o edad.

El acceso a datos financieros reales es limitado debido a preocupaciones de privacidad y propiedad, lo que ha impulsado el uso de datos sintéticos generados por modelos. Sin embargo, existe el riesgo de que los modelos generativos tradicionales (como los GANs estándar) no solo repliquen, sino que incluso amplifiquen los sesgos presentes en los datos originales. El desafío principal es generar datos sintéticos que sean:

• Fieles a la utilidad: Que mantengan las distribuciones estadísticas y correlaciones necesarias para entrenar modelos predictivos precisos.
• Justos (Fair): Que mitiguen la discriminación hacia grupos protegidos, asegurando paridad estadística y equidad en las predicciones.

2. Metodología: FairFinGAN

Los autores proponen FairFinGAN, un marco basado en WGAN (Wasserstein Generative Adversarial Networks) diseñado específicamente para datos tabulares financieros. La innovación central reside en incorporar restricciones de equidad directamente en el proceso de entrenamiento del generador.

Arquitectura y Componentes

El modelo consta de tres redes neuronales principales:

1. Generador (G): Basado en una arquitectura MLP (Perceptrón Multicapa) que toma vectores de ruido latente ($z$) y produce muestras sintéticas $(x', y', s')$. Utiliza Gumbel-Softmax para manejar atributos categóricos de manera diferenciable.
2. Crítico (C): Basado en WGAN, evalúa la realismo de las muestras sintéticas frente a los datos reales para asegurar la calidad de los datos.
3. Clasificador (H): Un MLP pre-entrenado en los datos reales. Su función no es solo predecir, sino actuar como un evaluador de equidad sobre las muestras generadas.

Estrategia de Entrenamiento en Dos Fases

El entrenamiento se divide en dos etapas secuenciales (o superpuestas en un ciclo de épocas):

• Fase 1 (Síntesis de datos): El generador y el crítico se entrenan adversarialmente para que las muestras sintéticas sean indistinguibles de las reales, maximizando la utilidad de los datos.
• Fase 2 (Modificación para equidad): Se introduce una función de pérdida de equidad ($\lambda_{fair}$) en el entrenamiento del generador. El clasificador $H$ predice las etiquetas en las muestras sintéticas y calcula métricas de equidad. El generador se actualiza para minimizar la discriminación detectada por $H$.

El marco ofrece dos variantes según la métrica de equidad utilizada en la función de pérdida:

• FairFinGAN-SP: Optimiza la Paridad Estadística (Statistical Parity), asegurando que la probabilidad de una predicción positiva sea independiente del atributo protegido.
• FairFinGAN-EOd: Optimiza las Oportunidades Iguales (Equalized Odds), asegurando que las tasas de verdaderos positivos y falsos positivos sean iguales entre grupos protegidos.

3. Contribuciones Clave

1. Marco WGAN para Finanzas: Introducción de FairFinGAN, un marco específico para la generación de datos financieros sintéticos con conciencia de equidad.
2. Restricciones de Equidad Integradas: Propuesta de una estrategia de entrenamiento que incorpora métricas de paridad estadística y oportunidades iguales directamente en la función de pérdida del generador, utilizando un clasificador auxiliar para penalizar la discriminación a nivel de conjunto de datos.
3. Evaluación Exhaustiva: Validación del modelo en cinco conjuntos de datos financieros reales (Adult, Credit Card, Credit Scoring, Dutch Census, German Credit), demostrando un equilibrio superior entre equidad y utilidad en comparación con el estado del arte.

4. Resultados Experimentales

Los experimentos compararon FairFinGAN con modelos baselines como CTGAN (generador tabular estándar) y TabFairGAN (otro enfoque de GAN justo). Se utilizaron cuatro clasificadores (Regresión Logística, Árbol de Decisión, k-NN, MLP) para evaluar la utilidad y siete métricas de equidad.

• Equidad: FairFinGAN logró consistentemente las mejores o segundas mejores puntuaciones en métricas de equidad (SP, EO, EOd, ABROCA) en la mayoría de los conjuntos de datos y atributos protegidos. En muchos casos, superó a TabFairGAN, que a menudo sacrificaba demasiada precisión para lograr equidad.
• Utilidad: A diferencia de TabFairGAN, que a veces mostraba una caída significativa en la precisión (Accuracy) y precisión balanceada (BA), FairFinGAN mantuvo una utilidad competitiva. Por ejemplo, en el conjunto de datos Credit Card, FairFinGAN-SP obtuvo la mayor precisión en la mayoría de los modelos predictivos.
• Compromiso (Trade-off): El modelo demostró un mejor equilibrio entre justicia y precisión. Mientras que algunos métodos lograban una equidad extrema (casi perfecta) a costa de predicciones inútiles, FairFinGAN preservó la capacidad predictiva necesaria para aplicaciones financieras reales.
• Robustez: Los resultados variaron ligeramente según el modelo predictivo subyacente, lo que subraya la necesidad de evaluar la equidad en el contexto del modelo final, pero FairFinGAN se mantuvo robusto a través de diferentes arquitecturas.

5. Significado e Impacto

El trabajo de FairFinGAN es significativo por varias razones:

• Mitigación de Sesgos a Nivel de Datos: Aborda el problema de la equidad en la fuente (los datos) en lugar de solo en la salida del modelo, lo cual es crucial para cumplir con regulaciones financieras y evitar discriminación sistémica.
• Privacidad y Escalabilidad: Ofrece una solución viable para compartir y utilizar datos financieros sensibles sin comprometer la privacidad, permitiendo la investigación y el desarrollo de modelos más justos.
• Aplicabilidad Práctica: Al demostrar que es posible generar datos sintéticos que sean tanto justos como útiles, facilita la implementación de sistemas de crédito y préstamos automatizados que sean más éticos y alineados con los requisitos regulatorios.
• Futuro: Los autores planean extender el marco para manejar múltiples atributos protegidos simultáneamente y explorar su aplicación en otros dominios críticos como la salud y la educación, además de integrar privacidad diferencial.

En resumen, FairFinGAN representa un avance importante en la generación de datos sintéticos, demostrando que la equidad algorítmica y la utilidad de los datos no son mutuamente excluyentes, sino que pueden lograrse simultáneamente mediante un diseño de entrenamiento adversarial consciente de la justicia.