FairFinGAN: Fairness-aware Synthetic Financial Data Generation

O artigo apresenta o FairFinGAN, um framework baseado em WGAN que gera dados financeiros sintéticos mitigando viés em relação a atributos protegidos enquanto preserva a utilidade dos dados para tarefas preditivas.

O essencial

Imagine que você é um banco e precisa tomar decisões sobre quem recebe um empréstimo. Para fazer isso, você usa um "robô" (um algoritmo de inteligência artificial) treinado com dados históricos de clientes.

O problema é que esses dados históricos podem conter vícios (preconceitos). Por exemplo, se no passado o banco negou empréstimos para mulheres ou para pessoas de certa idade, o robô aprendeu que "mulheres" ou "pessoas dessa idade" são más pagadoras, mesmo que não sejam. Isso é injusto e ilegal.

Além disso, os bancos não podem simplesmente compartilhar seus dados reais com pesquisadores para consertar o robô, porque isso violaria a privacidade dos clientes.

É aqui que entra o FairFinGAN, o "herói" deste artigo. Vamos explicar como ele funciona usando uma analogia simples:

1. O Problema: A Cozinha Viciada

Pense nos dados financeiros como ingredientes de uma receita. Se os ingredientes originais estão estragados ou misturados com veneno (preconceito), qualquer bolo que você fizer com eles também estará estragado.

Os pesquisadores queriam criar uma nova receita (dados sintéticos) que fosse perfeita para treinar o robô, mas sem o veneno do preconceito. O desafio é: como criar dados falsos que pareçam reais, mas que não tenham os mesmos preconceitos?

2. A Solução: O Chef e o Crítico (GAN)

O método usa uma tecnologia chamada GAN (Rede Generativa Adversarial). Imagine uma batalha de culinária entre dois chefs:

• O Falsificador (Gerador): Ele tenta criar um bolo (dados sintéticos) tão perfeito que ninguém consegue dizer a diferença entre ele e o bolo original.
• O Crítico (Discriminador): Ele prova o bolo e tenta descobrir se é o original ou uma falsificação.

Se o Falsificador faz um bolo ruim, o Crítico aponta o erro. Se o Crítico não consegue distinguir, o Falsificador ganha. Com o tempo, o Falsificador aprende a fazer bolos incrivelmente realistas.

3. O Diferencial: O "Juiz da Justiça" (FairFinGAN)

Aqui está a mágica do FairFinGAN. Nos métodos antigos, o Falsificador só se preocupava em fazer o bolo parecer real. O FairFinGAN adiciona um terceiro personagem: O Juiz da Justiça.

• Como funciona: Enquanto o Falsificador cria os dados, o Juiz olha para eles e pergunta: "Se eu usar esses dados para treinar um robô, ele vai tratar homens e mulheres (ou jovens e idosos) de forma igual?"
• A Regra de Ouro: Se o Juiz perceber que os dados ainda têm preconceito (por exemplo, se o robô treinado com esses dados ainda negar empréstimos injustamente para um grupo), ele punisce o Falsificador.
• O Resultado: O Falsificador é forçado a recriar os dados, não apenas para parecerem reais, mas para que sejam justos. Ele aprende a remover o "veneno" do preconceito enquanto mantém o "sabor" da realidade.

4. O Experimento: Testando na Prática

Os autores testaram essa ideia em 5 bancos de dados reais do mundo financeiro (como cartões de crédito e avaliação de crédito). Eles compararam o FairFinGAN com outras técnicas de criação de dados.

O que eles descobriram?

• Justiça: Os dados criados pelo FairFinGAN reduziram muito o preconceito. Quando treinaram robôs com esses dados, os robôs tomaram decisões muito mais justas.
• Utilidade: O grande medo era que, ao tentar ser justo, os dados ficassem "sem graça" e o robô não aprendesse nada. Mas o FairFinGAN conseguiu um equilíbrio: os dados eram justos e ainda úteis para prever quem pagaria o empréstimo.
• Comparação: Eles superaram outros métodos que tentavam fazer a mesma coisa, conseguindo ser mais justos sem perder a qualidade dos dados.

Resumo em uma frase

O FairFinGAN é como um "chef de cozinha" que aprendeu a cozinhar dados financeiros falsos, mas perfeitos: eles são tão realistas que enganam qualquer um, mas foram cozinhados de forma que ninguém seja discriminado por causa de gênero, idade ou raça.

Isso permite que bancos e pesquisadores treinem seus sistemas de inteligência artificial de forma mais ética e segura, sem precisar expor os dados reais e sensíveis dos clientes.

Resumo técnico

1. O Problema

Os dados financeiros são fundamentais para sistemas automatizados de tomada de decisão, mas o acesso e compartilhamento desses dados são frequentemente limitados por preocupações de privacidade e restrições de propriedade. A geração de dados sintéticos surge como uma solução, permitindo a criação de conjuntos de dados escaláveis e que protegem a privacidade.

No entanto, um problema crítico é o viés (bias). Modelos de aprendizado de máquina em finanças frequentemente apresentam viés contra grupos demográficos protegidos (como gênero, raça ou idade), originado de discriminação histórica ou falhas na coleta de dados. Mais preocupante ainda é que os dados sintéticos gerados por modelos tradicionais (como GANs) podem reproduzir ou até amplificar esses viéses subjacentes presentes nos dados originais. O objetivo deste trabalho é abordar a justiça (fairness) no nível dos dados, gerando dados sintéticos financeiros que sejam estatisticamente paritários em relação a atributos protegidos, sem sacrificar a utilidade para tarefas preditivas.

2. Metodologia: FairFinGAN

O artigo propõe o FairFinGAN, um framework baseado em WGAN (Wasserstein Generative Adversarial Network) projetado especificamente para dados tabulares financeiros. A abordagem é inspirada no TabFairGAN, mas introduz uma estratégia de treinamento em duas fases para penalizar a discriminação.

Arquitetura e Processo de Treinamento

O modelo utiliza três componentes principais:

1. Gerador (G): Cria amostras sintéticas.
2. Critic (C): Avalia a realismo das amostras (baseado no WGAN).
3. Classificador (H): Um classificador MLP (Perceptron Multicamadas) pré-treinado nos dados reais, usado para avaliar a justiça das amostras geradas.

O treinamento ocorre em duas fases:

• Fase 1 (Síntese de Dados): O gerador e o critic participam do processo adversário padrão para gerar dados que imitem a distribuição dos dados reais com alta fidelidade.
• Fase 2 (Modificação para Justiça): O gerador é atualizado iterativamente com base em uma função de perda que inclui uma penalidade de justiça. O classificador $H$ (treinado nos dados reais) é usado para prever rótulos nas amostras sintéticas. A diferença entre as taxas de previsão positiva para diferentes grupos de atributos protegidos é calculada e adicionada à função de perda do gerador.

Versões do Modelo

O trabalho define duas variantes baseadas em métricas de justiça diferentes:

• FairFinGAN-SP: Otimiza para Paridade Estatística (Statistical Parity - SP), garantindo que a probabilidade de um resultado positivo seja independente do atributo protegido.
• FairFinGAN-EOd: Otimiza para Odds Equilibradas (Equalized Odds - EOd), garantindo que as taxas de verdadeiros positivos e falsos positivos sejam iguais entre os grupos protegidos.

A função de perda combinada na Fase 2 é:
$$L = L_{WGAN} + \lambda_{fair} \cdot f(I, Y', S')$$
Onde $f$ representa a métrica de justiça (SP ou EOd), $I$ são os rótulos suaves preditos pelo classificador, e $\lambda_{fair}$ é um hiperparâmetro de ponderação.

3. Contribuições Principais

1. Novo Framework: Introdução do FairFinGAN, um gerador de dados sintéticos financeiros baseado em WGAN com consciência de justiça.
2. Estratégia de Treinamento Híbrida: Proposta de uma estratégia de duas fases que integra restrições de justiça (Paridade Estatística e Odds Equilibradas) diretamente no objetivo do GAN, utilizando um classificador auxiliar para calcular a perda de justiça. Isso mitiga o viés no nível do conjunto de dados, não apenas no nível do classificador final.
3. Validação Extensiva: Avaliação rigorosa em cinco conjuntos de dados financeiros reais, demonstrando que o modelo melhora as métricas de justiça sem perda significativa de utilidade (acurácia preditiva).

4. Resultados Experimentais

Os autores avaliaram o FairFinGAN em cinco conjuntos de dados (Adult, Credit Card, Credit Scoring, Dutch Census, German Credit) comparando-o com CTGAN (estado da arte para dados tabulares) e TabFairGAN.

• Justiça (Fairness): O FairFinGAN alcançou consistentemente os melhores ou segundos melhores valores de Paridade Estatística (SP) na maioria dos conjuntos de dados. Em muitos casos, superou o CTGAN e o TabFairGAN, especialmente quando se considera o equilíbrio entre justiça e acurácia.
• Utilidade (Acurácia): Diferente do TabFairGAN, que às vezes sacrificava drasticamente a acurácia para obter justiça extrema, o FairFinGAN manteve uma acurácia competitiva. Em alguns cenários (como no conjunto Credit Card com atributo "Sexo"), o FairFinGAN-SP obteve a maior acurácia entre os modelos sintéticos.
• Trade-off: Os resultados mostram que o FairFinGAN-EOd tende a oferecer melhores métricas de justiça (como EO e EOd) em classificadores específicos (como DT e LR), enquanto o FairFinGAN-SP oferece um equilíbrio robusto.
• Robustez: O modelo demonstrou eficácia ao gerar dados que, quando usados para treinar novos classificadores (LR, DT, kNN, MLP), resultam em modelos finais mais justos do que aqueles treinados em dados originais ou gerados por outros métodos.

5. Significado e Conclusão

O trabalho é significativo porque aborda a raiz do problema do viés algorítmico: os dados de treinamento. Ao gerar dados sintéticos que são intrinsecamente justos, o FairFinGAN permite que instituições financeiras:

• Reduzam o viés histórico em sistemas de crédito e empréstimos.
• Promovam decisões mais equitativas e alinhadas com requisitos regulatórios.
• Compartilhem dados sintéticos para pesquisa e desenvolvimento sem violar a privacidade ou perpetuar discriminação.

O artigo conclui que o FairFinGAN é uma ferramenta superior para geração de dados conscientes de viés em aplicações financeiras. Como trabalhos futuros, os autores planejam estender o modelo para lidar com múltiplos atributos protegidos simultaneamente e explorar sua aplicação em outros domínios sensíveis, como saúde e educação, além de investigar a integração com privacidade diferencial.