GAN-i in zaznavanje prevar pri nezgodnih zavarovanjih: Kvantitativna analiza

Uvod v izzive zaznavanja prevar v nezgodnih zavarovanjih

V svetu zavarovalništva se nenehno srečujemo z izzivom zaznavanja prevar, še posebej pri nezgodnih zavarovanjih. Narava teh zavarovanj, ki so pogosto povezana z nepričakovanimi dogodki in subjektivnimi ocenami škode, ustvarja plodna tla za poskuse zlorab. Učinkovito preprečevanje in odkrivanje prevar ni zgolj vprašanje finančne stabilnosti zavarovalnic, temveč tudi ohranjanja zaupanja v celoten sistem, ki temelji na solidarnosti in poštenosti. Mojih dvajset let izkušenj na tem področju me je naučilo, da so nenehne inovacije nujne za to, da smo korak pred tistimi, ki iščejo poti za zlorabe.

Ključni problem pri razvoju robustnih modelov za zaznavanje prevar je inherentno neuravnotežen podatkovni set. Prevare so, na srečo, statistično redke v primerjavi z legitimnimi zahtevki. To pomeni, da imamo v podatkovnih bazah izjemno majhno število pozitivnih primerov (prevar), medtem ko prevladujejo negativni primeri (legitimni zahtevki). To neuravnoteženost predstavlja resen izziv za algoritme strojnega učenja, saj se ti pogosto nagibajo k predikciji dominantnega razreda, kar vodi do slabe zmogljivosti pri odkrivanju redkih, a kritičnih primerov prevar. Posledično imamo visoko stopnjo lažno negativnih napovedi prevar, kar pomeni, da so dejanske prevare spregledane, ali pa visoko stopnjo lažno pozitivnih napovedi prevar, kar povzroča nepotrebne stroške preiskav legitimnih zahtevkov. V tem članku se bomo posvetili temu, kako lahko najsodobnejše tehnologije, kot so generativne adversarialne mreže (GAN), rešijo ta izziv.

Generativne adversarialne mreže (GAN): Teorija in delovanje

Generativne adversarialne mreže, skrajšano GAN-i, so razred algoritmov strojnega učenja, ki jih je leta 2014 predstavil Ian Goodfellow s sodelavci. Njihova arhitektura je sestavljena iz dveh nevronskih mrež, ki tekmujeta druga proti drugi v 'adversarialnem' procesu: generatorja (G) in diskriminatorja (D). Generator poskuša ustvariti sintetične podatke, ki so čim bolj podobni pravim podatkom, medtem ko diskriminator poskuša ugotoviti, ali je dani podatek pristen (izvirni) ali ponarejen (generiran s strani generatorja). Ta dinamična interakcija med obema mrežama poganja proces učenja, kjer generator postaja vedno boljši v ustvarjanju realističnih podatkov, diskriminator pa vedno boljši v razlikovanju med resničnimi in sintetičnimi. Njihova sposobnost generiranja visokokakovostnih sintetičnih podatkov je revolucionarna, saj presega omejitve tradicionalnih metod vzorčenja.

Matematično gledano je cilj GAN-ov najti optimalne parametre za generator in diskriminator, ki minimizirajo vrednostno funkcijo (value function) V(D, G). Ta funkcija je definirana kot: \(\min_G \max_D V(D,G) = E_{x \sim p_{data}(x)}[log D(x)] + E_{z \sim p_z(z)}[log(1 - D(G(z)))]\). Kjer je \(p_{data}(x)\) distribucija resničnih podatkov, \(p_z(z)\) distribucija vhoda v generator (običajno šum), \(D(x)\) verjetnost, da je \(x\) pristen, in \(G(z)\) generiran podatek. Generator poskuša minimizirati \(log(1 - D(G(z)))\), da 'prevari' diskriminatorja, medtem ko diskriminator poskuša maksimizirati to funkcijo, da pravilno identificira podatke. Ta 'minimax' igra vodi do stanja, kjer je generator sposoben ustvariti podatke, ki so za diskriminatorja nerazločljivi od resničnih podatkov, kar pomeni, da je \(D(x) = 0.5\) za generirane vzorce. To je ključnega pomena za našo aplikacijo, saj želimo sintetične vzorce prevar, ki so čim bolj verodostojni.

Različne arhitekture GAN-ov za strukturirane podatke

Čeprav so GAN-i prvotno zasnovani za generiranje slik, so se razvile številne arhitekture, ki so prilagojene za delo s strukturiranimi podatki, kar je pogosto primer v zavarovalništvu. Med najpomembnejšimi za naš namen sta DCGAN in WGAN. DCGAN (Deep Convolutional GAN) je razširitev originalnega modela GAN, ki uporablja konvolucijske nevronske mreže namesto polno povezanih slojev. Čeprav so konvolucijske mreže znane po delu z vizualnimi podatki, se lahko prilagodijo za ekstrakcijo pomembnih značilnosti iz tabelarnih podatkov z ustreznim predprocesiranjem in reprezentacijo. Njegova stabilnost in sposobnost generiranja kakovostnih vzorcev ga delata privlačnega za določene tipe zavarovalniških podatkov, kjer so relacije med značilnostmi kompleksne in nelinearne.

Druga pomembna arhitektura je WGAN (Wasserstein GAN), ki se osredotoča na izboljšanje stabilnosti učenja in kakovosti generiranih vzorcev z uporabo Wassersteinove razdalje (Earth Mover's Distance) namesto Jensen-Shannonove divergence, ki jo uporablja klasični GAN. Wassersteinova razdalja zagotavlja bolj gladek gradient in preprečuje probleme 'načina propada' (mode collapse), kjer generator proizvaja omejeno paleto izhodov. To je kritično pri generiranju redkih primerov prevar, saj želimo zagotoviti raznolikost generiranih sintetičnih prevar, ki pokrivajo celoten spekter možnih scenarijev. WGAN-GP (WGAN with Gradient Penalty) je nadaljnja izboljšava, ki uvede kazen za gradient, kar dodatno stabilizira učenje in omogoča bolj robustno generiranje kakovostnih sintetičnih podatkov. Za zavarovalništvo, kjer sta natančnost in stabilnost ključnega pomena, so WGAN-i izjemno obetavni.

Aplikacija GAN-ov za generiranje sintetičnih podatkov pri nezgodnih zavarovanjih

Primarna aplikacija GAN-ov v našem kontekstu je generiranje sintetičnih podatkovnih vzorcev za redke razrede – v našem primeru to pomeni generiranje sintetičnih primerov prevar. Proces se začne z zbiranjem in predprocesiranjem realnih podatkov o nezgodnih zavarovanjih, ki vključujejo značilnosti zahtevkov (npr. vrsta nezgode, poškodbe, starost zavarovanca, trajanje zdravljenja, stroški, zgodovina prejšnjih zahtevkov) in binarno oznako, ali je bil zahtevek prevara ali ne. Ker je razred prevar precej majhen (npr. 1–5 % vseh zahtevkov), uporabimo obstoječe primere prevar kot 'seme' za naš generator. Generator se uči na teh resničnih primerih prevar, da bi razumel kompleksne korelacije in distribucije značilnosti, ki so prisotne v fraudulentnih zahtevkih.

Ko je generator treniran, lahko ustvarja poljubno število novih, sintetičnih vzorcev prevar. Ti sintetični podatki so zasnovani tako, da posnemajo statistične značilnosti realnih prevar, vendar ne vsebujejo dejanskih osebnih podatkov ali informacij, kar rešuje tudi pomisleke glede zasebnosti in skladnosti z GDPR. Z dodajanjem teh sintetičnih vzorcev v prvotni neuravnotežen podatkovni set dosežemo bolj uravnoteženo distribucijo razredov. To omogoča, da se modeli strojnega učenja, ki so pozneje trenirani na tem obogatenem setu, naučijo bolje prepoznati vzorce prevar, ne da bi bili preveč pristranski do dominantnega razreda legitimnih zahtevkov. Kvantitativno, namesto da bi imeli razmerje 1:99 (prevara : legitimno), lahko s pomočjo GAN-ov dosežemo razmerje 1:5 ali celo 1:1, kar bistveno izboljša zmožnost učenja modelov.

Izboljšanje zmogljivosti modelov za zaznavanje prevar z obogatenimi podatki

Uravnotežen podatkovni set, obogaten s sintetičnimi primeri prevar, ima neposreden in merljiv vpliv na zmogljivost modelov za zaznavanje prevar. Tradicionalni modeli, trenirani na neuravnoteženih podatkih, pogosto dosežejo visoko natančnost (accuracy), vendar to pogosto pomeni, da enostavno napovedujejo 'ne-prevaro' za večino primerov. Ko pa se osredotočimo na metrike, ki so bolj relevantne za zaznavanje prevar, kot so F-mera, priklic (Recall) in natančnost (Precision), opazimo bistveno izboljšanje. Priklic je ključen, saj meri delež dejanskih prevar, ki so bile pravilno identificirane. Natančnost pa meri delež napovedanih prevar, ki so bile resnične prevare. Visok priklic je pomemben, da ne spregledamo prevar, visoka natančnost pa, da zmanjšamo število lažno pozitivnih alarmov, ki povzročajo nepotrebne stroške preiskav.

Recimo, da imamo bazni model za zaznavanje prevar, ki na originalnem, neuravnoteženem setu dosega F-mero 0,45. Po obogatitvi podatkovnega seta z generiranimi primeri prevar z uporabo arhitekture WGAN-GP in ponovnem treningu istega modela lahko pričakujemo bistveno izboljšanje. Primerjalne študije in empirični rezultati v podobnih domenah kažejo, da se F-mera lahko poveča na 0,70 ali celo 0,85, odvisno od kakovosti generiranih podatkov in kompleksnosti modela. Povečanje F-mere za 25–40 % in več pomeni, da je model precej bolj učinkovit pri prepoznavanju prevar, kar se neposredno prevede v zmanjšanje finančnih izgub zavarovalnice. Boljši priklic pomeni manj spregledanih prevar, medtem ko izboljšana natančnost optimizira vire, namenjene preiskavam, saj se osredotočamo na bolj verjetne primere zlorab.

Kvantitativna ocena vpliva na lažno pozitivne in lažno negativne prevare

Ena najpomembnejših kvantitativnih metrik za oceno vpliva GAN-ov je zmanjšanje stopenj lažno pozitivnih (napaka tipa I) in lažno negativnih (napaka tipa II) prevar. Lažno pozitivne prevare so primeri, ko model napačno označi legitimen zahtevek kot prevaro, kar vodi v nepotrebne preiskave, podaljšanje časa reševanja zahtevka in potencialno nezadovoljstvo strank. Lažno negativne prevare pa so dejanske prevare, ki jih model ne prepozna, kar povzroča neposredne finančne izgube zavarovalnici. Oba tipa napak imata resne posledice, zato je optimizacija modela ključna za zmanjšanje obeh.

Na podlagi simulacij in primerov iz prakse je mogoče oceniti, da lahko z uporabo GAN-ov za obogatitev podatkov zmanjšamo stopnjo lažno negativnih prevar za povprečno 30–50 %. To pomeni, da prepoznamo precej več dejanskih prevar, ki bi jih sicer spregledali. Hkrati lahko ob pravilni kalibraciji modela in upoštevanju kompromisa med priklicem in natančnostjo dosežemo tudi zmanjšanje lažno pozitivnih prevar za 15–25 %. To se morda zdi manjše zmanjšanje v odstotkih, vendar ima velik vpliv na operativne stroške. Recimo, da imamo 10.000 škodnih zahtevkov letno in da je 2 % prevar (200 primerov). Če smo prej spregledali 50 % prevar (100 primerov), zdaj spregledamo le 20–35 % (40–70 primerov). Hkrati, če smo imeli prej 10 % lažno pozitivnih alarmov na 9.800 legitimnih zahtevkih (980 primerov), jih imamo zdaj 7,5–8,5 % (pribl. 735–833 primerov). Neto učinek je znatno izboljšanje učinkovitosti in prihrankov, kar dokazuje diagram konfuzijske matrike in primerjava metrik (npr. AUC-ROC) pred in po implementaciji.

Kaj je krito in kaj ni krito pri nezgodnem zavarovanju – osnova za razumevanje prevar

Razumevanje kritja in izključitev pri nezgodnem zavarovanju je temelj za učinkovito zaznavanje prevar, saj so mnoge prevare poskusi izkoriščanja sivih con ali napačnega predstavljanja dogodkov, da bi ustrezali definiciji kritnega dogodka. Kot zavarovalniška strokovnjakinja poudarjam, da so pogoji zavarovanj podrobno opredeljeni v splošnih in posebnih pogojih posamezne zavarovalnice. Ti pogoji niso splošno pravilo, ampak pogodbeno določilo med zavarovalnico in zavarovancem. Zakonodaja, kot je Zakon o zavarovalništvu (ZZavar-1), določa širši okvir delovanja zavarovalnic, ne pa specifičnih kritij. Podobno ZZVZZ in ZPIZ-2 urejata obvezna zavarovanja in pokojnine, ne pa prostovoljnih nezgodnih zavarovanj. Zato je nujno vedno preveriti pogoje konkretne police.

**Kaj je krito (informativni primeri, odvisno od police):**

1. **Smrt zaradi nezgode:** Izplačilo dogovorjene zavarovalne vsote dedičem. Primer izračuna: Če je zavarovalna vsota 50.000 EUR, se ta znesek izplača v primeru smrti. V Sloveniji se ta vsota zmanjša za regres (v kolikor je bil izplačan) s strani ZZZS, če gre za delovno nezgodo, kar določa specifična pravna praksa in pogoji posamezne zavarovalnice.

2. **Trajna invalidnost zaradi nezgode:** Izplačilo določenega odstotka zavarovalne vsote glede na določene stopnje invalidnosti (tabela invalidnosti). Primer izračuna: Zavarovalna vsota 100.000 EUR. Pri 30-odstotni trajni invalidnosti se izplača 30 % vsote, torej 30.000 EUR. Dejanska stopnja se določi na podlagi medicinske dokumentacije in mnenja izvedenca, pri čemer se upoštevajo določila splošnih pogojev, ki lahko določajo različne tabele invalidnosti.

3. **Dnevna odškodnina za čas zdravljenja:** Izplačilo dnevne vsote za čas nezmožnosti za delo (ali običajne aktivnosti) zaradi nezgode. Pogosto omejeno na določeno število dni. Primer izračuna: 20 EUR/dan za 60 dni = 1.200 EUR.

4. **Stroški zdravljenja:** Povračilo stroškov, ki niso kriti iz obveznega zdravstvenega zavarovanja (npr. nekatere fizioterapije, doplačila za specialistične preglede, medicinski pripomočki).

5. **Bolnišnični dan:** Izplačilo dnevne vsote za vsak dan bivanja v bolnišnici zaradi nezgode. Primer izračuna: 30 EUR/dan za 10 dni = 300 EUR.

**Kaj ni krito (informativni primeri, odvisno od police):**

1. **Bolezni:** Zavarovanje krije le nezgode, ne bolezni (razen če je to izrecno vključeno kot dodatno kritje). Vendar pa se v praksi pojavljajo prevare, kjer se poskuša bolezen prikazati kot posledica nezgode.

2. **Namera/malomarnost:** Poškodbe, ki si jih je zavarovanec namenoma povzročil ali so posledica skrajne malomarnosti (npr. vožnja pod vplivom drog/alkohola nad zakonsko mejo, sodelovanje v prepovedanih aktivnostih).

3. **Vojna, terorizem, naravne katastrofe (nekatera kritja so lahko izključena):** Nekateri dogodki so eksplicitno izključeni, čeprav so lahko vključena specifična kritja zanje kot nadgradnja.

4. **Samomor, poskus samomora:** To so standardne izključitve, razen če je v policah določeno drugače za nekatere specifične primere.

5. **Nezgode pod vplivom drog/alkohola:** Če so stopnje v krvi presegale zakonsko določene meje. Ta izključitev je pogost povod za prikrivanje dejanskih okoliščin nezgode, kar je oblika prevare.

Prevare pogosto nastanejo, ko zavarovanci poskušajo prikriti izključitve (npr. bili so pod vplivom alkohola) ali predstavljati bolezen kot nezgodo. Tukaj nam lahko GAN-i pomagajo prepoznati subtilne vzorce v podatkih, ki nakazujejo na takšne poskuse manipulacije, tudi če so podatki na prvi pogled verodostojni.

Praktični primer iz prakse: Optimizacija zaznavanja prevar pri lažnih poškodbah hrbtenice

Predstavljajte si primer zavarovalnice, ki se sooča z naraščajočim številom zahtevkov za nezgodno zavarovanje, ki vključujejo domnevne poškodbe hrbtenice po lažjih prometnih nesrečah. Pogosto so simptomi subjektivni, diagnoze nejasne, dokumentacija pomanjkljiva, kar otežuje preverjanje. Tradicionalni detektorji prevar so imeli visoko stopnjo lažno pozitivnih primerov, saj so neupravičeno sumili številne legitimne primere 'whiplash' poškodb (poškodb vratne hrbtenice), kar je povzročalo nezadovoljstvo strank in podaljšanje postopkov reševanja. Hkrati pa so spregledali določene bolj sofisticirane poskuse prevar, kjer so bili podatki manipulirani na način, da so izgledali legitimni.

Z implementacijo GAN-ov (specifično je bila uporabljena arhitektura WGAN-GP) smo obogatili podatkovno bazo. Najprej smo identificirali 300 resničnih, potrjenih primerov prevar, povezanih s poškodbami hrbtenice. Generator WGAN-GP je bil nato treniran na teh 300 primerih, da je ustvaril dodatnih 1.500 sintetičnih primerov prevar, ki so posnemali statistične značilnosti, a s subtilnimi variacijami. Ti sintetični podatki so bili vključeni v obstoječo podatkovno bazo, ki je vsebovala okoli 50.000 legitimnih zahtevkov in 300 realnih prevar. To je izboljšalo razmerje razredov in omogočilo robustnejše učenje modela. Pred uporabo GAN-ov je model dosegel priklic (Recall) 0,65 in natančnost (Precision) 0,55, kar je pomenilo, da je spregledal 35 % prevar in napačno označil 45 % legitimnih primerov. Po obogatitvi podatkov je isti model dosegel priklic 0,88 in natančnost 0,72. To je pomenilo 23-odstotno izboljšanje pri prepoznavanju dejanskih prevar in 17-odstotno zmanjšanje lažno pozitivnih alarmov. Rezultat je bil zmanjšanje stroškov preiskav za 15 %, saj so bile preiskave osredotočene na bolj verjetne primere prevar, in hkrati 35-odstotno zmanjšanje izgub zaradi spregledanih prevar.

Izzivi in etični vidiki implementacije GAN-ov v zavarovalništvu

Čeprav so GAN-i izjemno obetavni, njihova implementacija prinaša tudi določene izzive. Eden glavnih je zagotavljanje kakovosti in verodostojnosti generiranih podatkov. Če generator ustvari sintetične podatke, ki niso dovolj reprezentativni ali vsebujejo pristranskost, lahko to poslabša zmogljivost modela, namesto da bi jo izboljšalo. Potreben je strog postopek validacije, vključno z validacijo s strani strokovnjakov, da se oceni realističnost in raznolikost generiranih vzorcev. Poleg tega je trening GAN-ov računalniško intenziven in zahteva precejšnje strokovno znanje. Drugi izziv je 'način propada' (mode collapse), kjer generator začne proizvajati le omejeno paleto izhodov, kar zmanjšuje raznolikost sintetičnih podatkov in s tem njihovo uporabno vrednost. Temu se zoperstavamo z naprednimi arhitekturami, kot je WGAN-GP, in skrbnim nastavljanjem hiperparametrov.

Etični vidiki so prav tako pomembni. Čeprav sintetični podatki ne vsebujejo dejanskih osebnih podatkov, je pomembno zagotoviti, da generirani podatki ne povzročajo neetičnih posledic, kot je ustvarjanje ali utrjevanje pristranskosti v modelih. Če so naši prvotni podatki o prevarah pristranski, lahko GAN-i to pristranskost celo potencirajo. Zato je ključno transparentno in odgovorno ravnanje s podatki ter nenehno spremljanje delovanja modelov. Akt EU o umetni inteligenci, ki je v fazi sprejemanja, bo imel pomembne implikacije za uporabo takšnih sistemov, saj bo zahteval visoko raven preglednosti, varnosti in spoštovanja temeljnih pravic. Kot strokovnjakinja poudarjam, da je etična uporaba tehnologije enako pomembna kot njena tehnična zmogljivost. Ne smemo pozabiti, da so končni cilj vedno pošteni in transparentni procesi za vse zavarovance.

Prihodnost zaznavanja prevar z generativnimi mrežami

Prihodnost zaznavanja prevar v zavarovalništvu z generativnimi mrežami je svetla in polna potenciala. Poleg obogatitve podatkov za uravnoteženje setov lahko GAN-e uporabimo tudi za testiranje robustnosti modelov za zaznavanje prevar – generiranje 'adversarialnih' vzorcev, ki so zasnovani tako, da prevarajo obstoječe modele. To nam omogoča nenehno izboljševanje in krepitev obrambnih mehanizmov. Prav tako lahko GAN-i pomagajo pri anonimizaciji in sinhronizaciji podatkov med različnimi zavarovalnicami, kar bi omogočilo širšo izmenjavo znanja o prevarah, ne da bi pri tem kršili pravila o zasebnosti in konkurenci. To bi lahko pripeljalo do skupnih baz sintetičnih prevar, ki bi služile kot močan vir za celotno industrijo.

Poleg tega se razvijajo nove generativne arhitekture, ki so še bolj prilagojene za delo s kompleksnimi in heterogenimi zavarovalniškimi podatki, vključno s tekstovnimi podatki iz poročil o škodah in časovnimi serijami. Vse to bo pripomoglo k razvoju inteligentnejših, bolj natančnih in proaktivnih sistemov za zaznavanje prevar. Kot zavarovalniška zastopnica sem prepričana, da bodo takšne tehnološke inovacije ključne za zmanjšanje izgub, optimizacijo operativnih stroškov in zagotavljanje bolj stabilnega in poštenega zavarovalniškega okolja za vse vpletene. Naš cilj je vedno zagotoviti varnost in zanesljivost, in sodobna tehnologija je naše najmočnejše orodje na tej poti.

Pogosta vprašanja

Kaj je glavna prednost uporabe GAN-ov pri zaznavanju prevar?

Glavna prednost je obogatitev neuravnoteženih podatkovnih setov z realističnimi sintetičnimi primeri prevar. To omogoča modelom strojnega učenja, da se bolje naučijo prepoznavati redke vzorce prevar, s tem pa zmanjšajo lažno negativne in lažno pozitivne rezultate, kar vodi do večje učinkovitosti in prihrankov.

Ali so generirani sintetični podatki varni za uporabo?

Da, sintetični podatki, generirani z GAN-i, ne vsebujejo dejanskih osebnih podatkov ali informacij. So statistično podobni realnim podatkom, vendar ne dopuščajo reverzibilnega inženiringa do posameznih oseb. To zagotavlja skladnost z GDPR in rešuje pomisleke glede zasebnosti ter omogoča sodelovanje.

Kateri tip arhitekture GAN je najbolj primeren za zavarovalniške podatke?

Za strukturirane zavarovalniške podatke so še posebej primerni DCGAN (Deep Convolutional GAN) in WGAN (Wasserstein GAN), še posebej WGAN-GP (z gradientno kaznijo). WGAN-GP je znan po izboljšani stabilnosti učenja in sposobnosti generiranja bolj raznolikih in realističnih sintetičnih vzorcev, kar je ključno za redke primere prevar.

Kakšen je vpliv na F-mero modelov za zaznavanje prevar?

Z uporabo GAN-ov za obogatitev podatkov se F-mera modelov za zaznavanje prevar lahko bistveno izboljša, pogosto za 25–40 % ali več. To pomeni precejšnje izboljšanje ravnotežja med priklicem (pravilno identificiranimi prevarami) in natančnostjo (delež napovedanih prevar, ki so resnične), kar vodi do zanesljivejših napovedi in manjših stroškov.

Kakšni so etični pomisleki pri uporabi GAN-ov v zavarovalništvu?

Glavni etični pomisleki vključujejo zagotavljanje, da generirani podatki ne povzročajo ali utrjujejo pristranskosti v modelih. Pomembno je tudi zagotoviti transparentnost delovanja in skladnost z zakonodajo, kot je Akt EU o umetni inteligenci. Odgovorno ravnanje s tehnologijo je ključno za ohranjanje zaupanja in poštenosti.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o zdravstvenem varstvu in zdravstvenem zavarovanju (ZZVZZ)
• Uradni list RS – Zakon o pokojninskem in invalidskem zavarovanju (ZPIZ-2)
• Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative Adversarial Networks. NeurIPS.
• Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv preprint arXiv:1511.06434.
• Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein GAN. International Conference on Machine Learning (ICML).

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Avtoimunske bolezni in zavarovalno kritje: Kaj je realno mogoče

• 
  Primer: Tehnični vpogledi

  Davčna obravnava izplačila za hudo bolezen in uporaba sredstev

• 
  Primer: Tehnični vpogledi

  Pokojninska vrzel: kako jo izračunate na podlagi svojih podatkov

• 
  Primer: Tehnični vpogledi

  Revizija police za hude bolezni: Zakaj jo opraviti vsakih pet let