Discrimination-free Insurance Pricing with Privatized Sensitive Attributes

기술 요약: 개인정보가 보호된 민감한 속성을 활용한 차별 없는 보험 가격 책정

문제 정의
본 논문은 규제(예: EU 성별 지침, 콜로라도 SB 21-169) 또는 프라이버시 제약으로 인해 보험사가 민감한 속성(예: 성별, 인종)에 직접 접근할 수 없는 상황에서, 공정한 보험 가격 책정을 달alu하는 과제를 다룹니다. 최근의 보험계리 연구는 "차별 없는 프리미엄(discrimination-free premium)"의 개념을 확립했습니다. 이는 민감한 속성의 직접적 및 간접적 인과 효과를 모두 제거하면서도 보험계리적 일관성을 유지하는 방식입니다. 그러나 이를 구현하기 위해서는 일반적으로 실제 민감한 속성에 대한 접근이 필요합니다. 실제 현장에서 보험사는 비민감한 속성과 결과만을 보유하는 경우가 많으며, 민감한 데이터는 신뢰할 수 있는 제3자(TTP)에 의해 노이즈가 추가된 프라이버시 보호 형태로 보유될 수 있습니다. 핵심 문제는 민감한 속성 $D$를 관찰할 수 없고 오직 프라이버시가 보호된 버전인 $S$만을 사용할 수 있을 때, 어떻게 차별 없는 프리미엄을 추정할 것인가 하는 점입니다.

방법론
저자들은 보험사와 신뢰할 수 있는 제3자(TTP)가 참여하는 다자간 학습 프레임워크를 제안합니다.

1. 데이터 설정: 보험사는 비민감한 속성 $X$와 결과 $Y$를 관찰합니다. TTP는 실제 민감한 속성 $D$에 노이즈를 가하는 프라이버시 메커즘(예: 무작위 응답을 통한 로컬 차분 프라이버시)을 통해 생성된 프라이버시 보호된 민감한 속성 $S$를 보유합니다. 보험사는 $X$를 $\tilde{X}$(잠재적으로 신경망을 통해)로 변환한 후 $\{\tilde{X}, Y\}$를 TTP에 전달합니다.
2. 가격 책정 규칙: 목표는 $h^*(X) = \int \mu(X, d) dP^*(d)$인 차별 없는 가격 $h^*(X)$를 추정하는 것입니다. 여기서 $\mu(X, D)$는 조건부 기대 손실이며, $P^*$는 참조 분포입니다.
3. 추정 전략:
   • 노이즈 비율을 아는 경우: 프라이버시 메커니즘 파라미터(노이즈 비율 $\pi, \bar{\pi}$)를 알고 있을 때, TTP는 프라이버시 보호된 데이터 $S$만을 사용하여 실제 속성 $D$에 대한 기대 손실을 최소화하는 등가 위험 함수(Risk-LDP)를 구축합니다. 이는 노이즈를 보정하기 위해 프라이버시 메커니즘의 전이 행렬을 역산하는 과정을 포함합니다. TTP는 각 민감한 그룹 $k$에 대한 그룹별 스코어 함수 $f_k(\tilde{X})$를 추정하고 이를 참조 분포를 사용하여 집계합니다.
   • 노이즈 비율을 모르는 경우: 노이즈 비율을 모를 때, 본 논문은 "앵커 포인트(anchor points, 민감한 속성이 확실히 알려진 공변량 값)"를 사용하여 데이터로부터 노이즈 비율을 추정하는 절차를 도입합니다. TTP는 데이터를 그룹으로 나누고, 각 그룹에 대해 노이즈 파라미터 $\pi$를 추정하며, 이 추정치들을 집계하여 위험 최소화에 필요한 역행렬을 구성합니다.
4. 이론적 보장: 본 논문은 두 가지 시나리오에 대한 추정 오차의 통계적 경계를 확립합니다. 노이즈 비율을 아는 경우, 경계는 손실 클래스의 라데마허 복잡도(Rademacher complexity)와 노이즈 파라미터에 따라 결정됩니다. 노이즈 비율을 모르는 경우, 경계는 노이즈 파라미터의 추정 불확실성을 고려하며, 노이즈 비율이 과소평가될 경우 오차가 증가함을 보여줍니다.

주요 기여

1. 통계적 프레임워크: 프라이버시가 보호된 민감한 속성만을 사용하여 차별 없는 프리미엄을 추정하는 방법을 개발함으로써, 보험계리적 공정성 개념과 프라이버시 제약 하의 통계적 학습을 연결했습니다.
2. 이론적 보장: 제안된 추정기가 두 가지 실질적인 설정(알려진 노이즈 메커니즘 및 앵커 포인트를 통해 추정된 미지의 노이즈 비율) 하에서 수렴 속도와 오차 경계를 확립했습니다.
3. 경험적 검증: 합성 데이터 및 실제 데이터셋(미국 건강 보험 및 자동차 보험)을 통한 수치 실험을 통해 방법론의 성능을 입증했습니다. 실험에서는 노이즈 수준, 샘플 크기, 노이즈 비율 추정의 정확도가 가격 책정 성능에 미치는 영향을 분석했습니다.

결과

• 노이즈의 영향: 노이즈 수준이 높아짐에 따라(즉, 프라이버시 파라미터 $\pi$가 감소함에 따라) 추정 정확도가 저하됩니다. 본 논문은 성능이 비선도적으로 저하되어, $\pi$가 정보가 없는 한계치($1/|D|$)에 도달할 때 급격히 떨어지는 현상을 언급합니다.
• 추정 오차의 비대칭성: 노이즈 비율을 몰라서 추정해야 할 때, 노이즈 비율($\pi$)을 과소평가하는 것이 과대평가하는 것보다 성능에 훨씬 더 해로운 영향을 미칩니다. 이는 역전이 행렬의 수학적 구조 때문이며, $\pi$가 하한값에 가까워질수록 $1/(\pi - 1/|D|)$를 포함하는 항들이 폭발적으로 증가하기 때문입니다.
• 특징 변환: 원시 속성 $X$ 대신 (지도 학습을 통해 학습된) 변환된 속성 $\tilde{X}$를 사용하는 것이 모델의 수렴과 노이즈에 대한 강건성을 향상시킵니다. 이는 노이즈가 높거나 샘플 크기가 제한적인 경우 특히 유용합니다.
• 추정에 사용되는 그룹 크기: 미지의 노이즈 비율을 위해 사용되는 그룹 수($n_1$)는 성능에 영향을 미칩니다. 유효 샘플 크기가 클 때는 $n_1$이 커질수록 정확도가 향 수하지만, 노이즈 비율이 높아 유효 샘플 크기가 작아지면 작은 그룹 추정치의 불안정성으로 인해 성능이 저하될 수 있습니다.

의의
본 논문은 민감한 속성에 대한 직접적인 접근이 제한된 환경에서 공정한 보험 가격 책정을 구현하기 위한 실질적인 해결책을 제공한다고 주장합니다. 차별 없는 프리미엄 프레임워크를 프라이버시 보호형 통계 학습과 통합함으로써, 저자들은 보험사가 프라이버시 규정을 위반하거나 보호된 데이터에 직접 접근하지 않고도 공정한 가격 모델을 구축할 수 있음을 입증했습니다. 이 연구는 프라이버시 보호(노이즈 수준)와 가격 책정 정확도 사이의 트레이드오프를 강조하며, 특히 프라이버시 메커니즘의 노이즈 수준을 과소평가할 때 발생하는 위험에 대한 이론적 지침을 제공합니다.