Discrimination-free Insurance Pricing with Privatized Sensitive Attributes

技術要約：プライバシー保護された機微属性を用いた差別フリーな保険料算出

問題提起
本論文は、規制（EUのジェンダー指令やコロラド州法SB 21-169など）による制限により、保険会社が機微属性（性別、人種など）に直接アクセスできない場合に、公平な保険料設定を実現するという課題に取り組んでいる。近年の保険数理研究では、「差別フリーなプレミアム（discrimination-free premium）」の概念が確立されている。これは、保険数理的な整合性を維持しつつ、機微属性による直接的および間接的な因果効果の両方を除去するものである。しかし、これを実装するには通常、真の機微属性へのアクセスが必要となる。実務においては、保険会社は非機微属性と結果のみを保有しており、機微属性は信頼できる第三者（TTP）によって、ノイズが付加されたプライバシー保護形式で保持されている場合が多い。ここでの核心的な問題は、機微属性 $D$ が観測されず、プライバシー保護されたバージョン $S$ のみが利用可能な場合に、どのように差別フリーなプレミアムを推定するかである。

手法
著者らは、保険会社と信頼できる第三者（TTP）によるマルチパーティ学習フレームワークを提案している。

1. データ設定： 保険会社は非機微属性 $X$ と結果 $Y$ を観測する。TTPは、真の機微属性 $D$ にノイズを加えるプライバシーメカニズム（例：ランダム応答を用いたローカル差分プライプライバシー）を通じて生成された、プライバシー保護された機微属性 $S$ を保持する。保険会社は $X$ を（ニューラルネットワークなどを通じて）$\tilde{X}$ へと変換し、$\{\tilde{X}, Y\}$ をTTPに送付する。
2. 価格設定ルール： 目標は、差別フリーな価格 $h^*(X) = \int \mu(X, d) dP^*(d)$ を推定することである。ここで、$\mu(X, D)$ は条件付き期待損失であり、$P^*$ は参照分布である。
3. 推定戦略：
   • ノイズ率既知の場合： プライバシーメカニズムのパラメータ（ノイズ率 $\pi, \bar{\pi}$）が既知であるとき、TTPは、プライバシー保護されたデータ $S$ のみを用いて真の属性 $D$ に関する期待損失を最小化する等価なリスク関数（Risk-LDP）を構築する。これには、ノイズを補正するためにプライバシーメカニズムの遷移行列を逆転させるプロセスが含まれる。TTPは、各機微グループ $k$ ごとのグループ別スコア関数 $f_k(\tilde{X})$ を推定し、それらを参照分布を用いて集計する。
   • ノイズ率未知の場合： ノイズ率が未知である場合、本論文では「アンカーポイント」（機微属性が確実に判明している共変量の値）を用いてデータからノイズ率を推定する手順を導入している。TTPはデータをグループに分割し、各グループについてノイズパラメータ $\pi$ を推定し、それらの推定値を集計して、リスク最小化に必要な逆行列を構築する。
4. 理論的保証： 本論文では、両方のシナリオにおける推定誤差に関する統計的境界を確立している。既知のノイズ率の場合、その境界は損失クラスのラデマッハー複雑度とノイズパラメータに依存する。未知のノイズ率の場合、その境界はノイズパラメータの推定不確実性を考慮しており、ノイズ率が過小評価されると誤差が増大することを示している。

主な貢献

1. 統計的フレームワーク： プライバシー保護された機微属性のみを用いて差別フリーなプレミアムを推定する手法を開発し、保険数理的な公平性の概念と、プライバシー制約下での統計的学習を橋渡しした。
2. 理論的保証： 提案された推定器（既知のノイズメカニズムおよびアンカーポイントによる未知のノイズ率推定の2つの実用的な設定下）に対して、収束率と誤差境界を確立した。
3. 実証的検証： 合成データおよび実際のデータセット（米国の医療保険および自動車保険）を用いた数値実験を通じて、本手法の性能を実証した。実験では、ノイズレベル、サンプルサイズ、およびノイズ率推定の精度が価格設定のパフォーマンスに与える影響を分析している。

結果

• ノイズの影響： 推定精度は、ノイズレベルが増加する（すなわち、プライバシーパラメータ $\pi$ が減少する）につれて低下する。論文では非線形な劣化について言及されており、$\pi$ が非情報的な限界値（$1/|D|$）に近づくと、性能が急激に低下することが示されている。
• 推定誤差の非対称性： ノイズ率が未知で推定する必要がある場合、ノイズ率（$\pi$）を過小評価することは、過大評価することよりも性能に著しく有害な影響を与える。これは、逆遷移行列の数学的構造に起因しており、$1/(\pi - 1/|D|)$ を含む項が $\pi$ が下限に近づくにつれて爆発するためである。
• 特徴量変換： 生の属性 $X$ ではなく、（教師あり学習によって学習された）変換された属性 $\tilde{X}$ を使用することで、モデルの収束性とノイズに対する堅牢性が向上する。これは、ノイズレベルが高い場合やサンプルサイズが限られている場合に特に有効である。
• 推定におけるグループサイズ： 未知のノイズ率の場合、$\pi$ を推定するために使用されるグループ数（$n_1$）が性能に影響を与える。有効サンプルサイズが大きい場合、より大きな $n_1$ は精度を向上させるが、ノイズ率が高い場合（有効サンプルサイズが小さい場合）は、小さなグループの推定における不安定性のために性能を低下させることがある。

意義
本論文は、機微属性への直接的なアクセスが制限されている環境において、公平な保険料設定を実現するための実用的な解決策を提供すると主張している。プライバシー保護された統計的学習と差別フリーなプレミアムの枠組みを統合することにより、保険会社がプライバシー規制に違反したり、保護されたデータに直接アクセスしたりすることなく、公平な価格設定モデルを構築できることを示している。本研究は、プライバシー保護（ノイズレベル）と価格設定の精度の間のトレードオフを浮き彫りにしており、特にプライバシーメカニズムにおけるノイズレベルの過小評価のリスクに関して、これらのトレードオフを管理するための理論的な指針を提示している。