Modeli FL v zavarovalništvu: Zasebnost, robustnost in napadi

Uvod: Presek inovacij in tveganj v zavarovalništvu

V zavarovalništvu se nenehno srečujemo z izzivom, kako učinkovito izkoristiti obsežne podatke za izboljšanje storitev, personalizacijo produktov in optimizacijo poslovnih procesov, hkrati pa ohranjati najvišje standarde zasebnosti in varnosti. Federativno učenje (FL) predstavlja paradigmo, ki obeta rešitev tega izziva, saj omogoča usposabljanje modelov strojnega učenja na decentraliziranih podatkovnih zbirkah, ne da bi ti podatki kdaj zapustili svoje izvorne lokacije. To je še posebej privlačno v sektorju, kjer so podatki, kot so zdravstveni zapisi ali finančne transakcije, izjemno občutljivi.

Kljub obetavnosti pa FL ni imunsko na ranljivosti. Medtem ko rešuje določene probleme zasebnosti z lokalnim usposabljanjem, uvaja nove izzive, predvsem v obliki adversarialnih napadov. Ti napadi lahko ogrozijo integriteto modelov, vplivajo na njihovo natančnost in potencialno privedejo do zlorabe informacij. Zato sta ključnega pomena kvantitativna analiza teh ranljivosti in razvoj robustnih obrambnih mehanizmov, kar bom podrobno raziskala v tej strokovni objavi.

Federativno učenje v zavarovalništvu: Priložnosti in izzivi

Federativno učenje (FL) se v zavarovalništvu kaže kot izjemno perspektivna tehnologija za reševanje številnih izzivov. Predstavljajte si, da lahko zavarovalnice sodelujejo pri usposabljanju napovednih modelov – na primer za ocenjevanje tveganj, odkrivanje prevar ali optimizacijo cen – ne da bi pri tem delile surove podatke strank. To pomeni, da vsaka zavarovalnica usposablja lokalni model na svojih podatkih, nato pa se samo posodobitve modelov (npr. gradienti ali parametri modela) agregirajo na centralnem strežniku. To bistveno zmanjšuje tveganje za razkritje podatkov in je v skladu z regulativami, kot je GDPR (ki je ekvivalent našemu ZVOP-2), saj zasebni podatki nikoli ne zapustijo lokalnega okolja.

Vendar pa decentralizirana narava FL odpira vrata novim vektorjem napadov. Medtem ko so posamezni podatkovni nabori zasebni, agregirane posodobitve modelov še vedno lahko vsebujejo določene informacije, ki jih je mogoče zlorabiti. Razumevanje in obvladovanje teh tveganj je ključno za uspešno implementacijo FL v industriji.

Adversarialni napadi na modele FL: 'Data Poisoning' in 'Model Inference'

Adversarialni napadi predstavljajo resno grožnjo integriteti in zasebnosti modelov FL. Razlikujemo predvsem dve glavni kategoriji: 'data poisoning' (zastrupitev podatkov) in 'model inference' (sklepanje o modelu). Pri napadu 'data poisoning' napadalec, ki je lahko eden izmed sodelujočih odjemalcev (klientov) v procesu FL, namerno vnaša napačne, zlonamerne ali manipulirane podatke v svoj lokalni nabor podatkov. Cilj je degradirati delovanje globalnega modela, zmanjšati njegovo natančnost ali celo sprovocirati določeno obnašanje modela, npr. da napačno klasificira določene tipe zahtevkov. Kvantitativna analiza ranljivosti pokaže, da že relativno majhna stopnja kontaminacije, recimo 5–10 % (0,05–0,10) zlonamernih podatkov, lahko zniža natančnost modela za več kot 20–30 % (0,20–0,30), kar je kritično za aplikacije, kot je odkrivanje prevar.

Po drugi strani pa napadi 'model inference' niso usmerjeni v poškodovanje modela, temveč v pridobivanje občutljivih informacij o podatkih za usposabljanje, ki so jih uporabljali posamezni odjemalci. Napadalec, pogosto z dostopom do globalnega modela ali njegovih posodobitev, poskuša rekonstruirati lastnosti ali celo specifične podatkovne točke iz nabora za usposabljanje. To lahko vključuje pridobivanje informacij o demografiji strank, zgodovini bolezni ali finančnih navadah. Učinkovitost teh napadov se pogosto meri s stopnjo uspešnosti rekonstrukcije podatkov ali z natančnostjo napadov 'membership inference', ki določajo, ali je bil določen posameznik del nabora za usposabljanje. Testi so pokazali, da lahko brez ustreznih zaščitnih mehanizmov napadalci s ~70-odstotno (0,70) natančnostjo ugotovijo prisotnost posameznika v naboru za usposabljanje.

Merjenje robustnosti in natančnosti modela: Accuracy, F1-mera in ROC AUC

Za oceno učinkovitosti in ranljivosti modelov FL v zavarovalništvu, še posebej ob prisotnosti adversarialnih napadov, je ključno natančno merjenje delovanja modela. Nezadostno je zgolj preverjanje natančnosti ('accuracy'), saj ta metrika ne zajame celotne slike, še posebej pri neuravnoteženih podatkovnih zbirkah, kar je pogosto v zavarovalništvu (npr. majhno število prevar v primerjavi z legitimnimi zahtevki). Zato uporabljamo širši nabor metrik.

Poleg natančnosti ('accuracy'), ki je definirana kot razmerje med pravilno klasificiranimi primeri in vsemi primeri, je izjemno pomembna tudi F1-mera ('F1-score'). Ta metrika predstavlja harmonično sredino med preciznostjo ('precision' – delež resnično pozitivnih med vsemi, ki so bili klasificirani kot pozitivni) in priklicom ('recall' – delež resnično pozitivnih, ki so bili pravilno identificirani). Visoka F1-mera je ključna pri odkrivanju prevar, kjer je pomembno identificirati čim več prevar (visok priklic), hkrati pa ohraniti nizko število lažno pozitivnih alarmov (visoka preciznost). Za globalni model, usposobljen na 100 odjemalcih, se pri 5-odstotni (0,05) kontaminaciji z napadom 'data poisoning' F1-mera lahko zniža iz povprečnih 0,88 na 0,65, kar pomeni 25-odstotni (0,25) padec v učinkovitosti. Poleg tega uporabljamo tudi ROC AUC ('Receiver Operating Characteristic Area Under the Curve'), ki grafično prikazuje kompromis med stopnjo resnično pozitivnih (True Positive Rate) in lažno pozitivnih (False Positive Rate) in je robustna metrika za ovrednotenje klasifikacijskih modelov, neodvisna od izbire praga. Za optimalno delovanje modela v kritičnih zavarovalniških scenarijih, kot je napoved tveganja nezgode, je cilj ROC AUC > 0,90, medtem ko se ob napadu lahko zmanjša na ~0,75, kar pomeni znatno poslabšanje diskriminatorne moči modela. Primer tabelaričnega izračuna vpliva kontaminacije podatkov na F1-mero pri napovedovanju tveganja nezgode na simuliranem naboru 10.000 zavarovalnih polic:

Tabelarični prikaz vpliva kontaminacije podatkov na F1-mero

| Stopnja kontaminacije (%) | F1-mera (brez obrambe) | Zmanjšanje F1-mere (%) | F1-mera (z obrambo DP + Robust Agg.) | Izboljšanje z obrambo (%) | |--------------------------|--------------------------|-------------------------|---------------------------------------|-----------------------------| | 0 % | 0,92 | 0 % | 0,91 | -1,09 % | | 1 % | 0,90 | 2,17 % | 0,90 | 0 % | | 5 % | 0,81 | 11,96 % | 0,88 | 8,64 % | | 10 % | 0,70 | 23,91 % | 0,85 | 21,43 % | | 20 % | 0,55 | 40,22 % | 0,79 | 43,64 % |

Ta simulacija jasno kaže, kako hitro se lahko delovanje modela poslabša z naraščajočo stopnjo kontaminacije podatkov. Hkrati pa poudarja učinkovitost implementacije obrambnih mehanizmov, kot sta diferencialna zasebnost (DP) in robustna agregacija (Robust Aggregation), pri ohranjanju visoke F1-mere tudi ob prisotnosti zlonamernih vnosov. Pri 10-odstotni (0,10) kontaminaciji se F1-mera brez obrambe zniža na 0,70, z obrambo pa ostaja na 0,85, kar predstavlja skoraj 21,43-odstotno (0,21) izboljšanje delovanja modela v scenariju napada.

Implementacija obrambnih mehanizmov: Diferencialna zasebnost (DP)

Diferencialna zasebnost (DP) je eden najmočnejših in teoretično utemeljenih mehanizmov za zaščito zasebnosti v sistemih FL. Njen temeljni princip je dodajanje statističnega šuma k posodobitvam modela, preden se te pošljejo na centralni strežnik. To zagotavlja, da prisotnost ali odsotnost posameznika v naboru podatkov praktično ne vpliva na izhod modela, s čimer se prepreči napade 'model inference' in zagotovi zasebnost posameznih prispevkov. Kvantificiramo jo z zasebnostnim proračunom, imenovanim epsilon (ε). Manjša kot je vrednost ε, močnejša je zasebnost, vendar s tem običajno trpijo natančnost modela in konvergenca.

Izračun ε je kompleksen in je odvisen od parametrov, kot so stopnja šuma (npr. standardni odklon Gaussovega šuma σ), število iteracij učenja (T), število lokalnih odjemalcev (K) in velikost vzorca. Klasična formula za skupni zasebnostni proračun (pri uporabi Gaussovega mehanizma DP) je ε ≈ √(2 * T * log(1/δ)) * (σ / (K * C)), kjer je δ majhna verjetnost razkritja. Za dosego visoke zasebnosti (npr. ε = 1–5) je potrebno dodati znatno količino šuma, kar lahko zniža natančnost modela za 5–15 % (0,05–0,15). Iskanje optimalnega ε je kompromis med zasebnostjo in uporabnostjo modela. V praksi so se izkazale za optimalne vrednosti ε med 1 in 10, pri čemer se pri specifičnih zavarovalniških modelih (npr. za napovedovanje verjetnosti nezgode) pri ε = 3 natančnost modela zniža za približno 7 % (0,07), vendar se tveganje napadov 'model inference' drastično zmanjša, kar je ključno za zaupanje strank in skladnost z regulativo ZZavar-1 in ZVOP-2.

Implementacija obrambnih mehanizmov: Robustna agregacija

Robustna agregacija je komplementaren obrambni mehanizem, ki se osredotoča na zmanjšanje vpliva napadov 'data poisoning'. Namesto preprostega povprečenja posodobitev modelov vseh odjemalcev, kar je standardna praksa v osnovnem FL ('FedAvg'), robustne agregacijske metode inteligentno obdelujejo prejete posodobitve. Glavni cilj je identificirati in zmanjšati vpliv zlonamernih ali odstopajočih posodobitev, ki izhajajo iz odjemalcev, ki so žrtve napadov 'data poisoning'.

Primeri robustnih agregacijskih algoritmov vključujejo 'Krum', 'Trimmed Mean' in 'Median-based Aggregation'. Pri metodi 'Krum' se odstranijo posodobitve, ki so preveč oddaljene od večine ostalih posodobitev, preden se izvede povprečenje. 'Trimmed Mean' odstrani določene odstotke ekstremnih vrednosti (npr. zgornjih in spodnjih 10 %) in nato izračuna povprečje preostalih. 'Median-based Aggregation' pa, kot že ime pove, uporablja mediano namesto povprečja, kar je izjemno robustno proti osamelcem. Simulacije kažejo, da metoda 'Krum' lahko izboljša F1-mero modela za 15–20 % (0,15–0,20) v prisotnosti 10 % (0,10) zlonamernih odjemalcev v primerjavi z osnovno metodo 'FedAvg'. Pri 20-odstotni (0,20) kontaminaciji in uporabi robustne agregacije se lahko konvergenca modela podaljša za 10–15 % (0,10–0,15) števila komunikacijskih krogov, vendar je končni model bistveno bolj stabilen in natančen. To je ključno za aplikacije, kjer je kritična stabilnost modela skozi čas, kot so modeli za izračun škodnih rezervacij.

Izračun parametrov in vpliv na konvergenco modela

Poleg izbire ustreznih obrambnih mehanizmov je ključno tudi pravilno določanje njihovih parametrov in razumevanje vpliva na konvergenco modela. Pri diferencialni zasebnosti (DP) določitev optimalnega epsilona (ε) zahteva skrbno testiranje. Previsok ε (manj zasebnosti) pomeni večjo natančnost in hitrejšo konvergenco, a večje tveganje za razkritje podatkov. Prenizek ε (več zasebnosti) pa zmanjša natančnost in lahko podaljša čas, ki ga model potrebuje za konvergenco, ali celo prepreči, da bi model dosegel zadovoljivo raven natančnosti. Razmerje med številom komunikacijskih krogov (T_comm), številom lokalnih epoh (E_local) in izbiro ε direktno vpliva na globalno natančnost. Empirične študije kažejo, da za doseganje podobne natančnosti modela z ε = 3 v primerjavi z modelom brez DP potrebujemo približno 1,5-krat (1,5x) več komunikacijskih krogov ali pa je potrebno povečati število lokalnih epoh za 20 % (0,20).

Pri robustni agregaciji, kot je Krum, je ključni parameter 'm', ki določa število najboljših posodobitev, ki se ohranijo. Npr. če imamo N odjemalcev, Krum izbere m = N – f – 2 posodobitev, kjer je f število zlonamernih odjemalcev. Natančno določanje 'f' je težavno v realnem svetu, zato se pogosto uporablja hevristike. Nepravilna izbira 'm' lahko privede do prevelikega odstranjevanja legitimnih posodobitev ali nezadostnega filtriranja zlonamernih. Vpliv na konvergenco je odvisen od narave napada in izbrane metode. Agregacijske metode, ki močno filtrirajo posodobitve, lahko upočasnijo konvergenco, saj potencialno odstranijo koristne informacije. Vendar pa je ta upočasnitev običajno sprejemljiv kompromis za bistveno izboljšano robustnost. Na primer, pri simulaciji je bil potreben dodaten 20 % (0,20) komunikacijskih krogov, da se je model z robustno agregacijo konvergeniral do podobne natančnosti kot nezaščiten model, vendar je bil pri tem odporen na 10 % (0,10) zlonamernih odjemalcev.

Optimalni kompromisi: Zasebnost, robustnost in uporabnost

Iskanje optimalnega ravnovesja med zasebnostjo, robustnostjo in uporabnostjo je osrednji izziv pri implementaciji modelov FL v zavarovalništvu. Vsaka izboljšava na enem področju pogosto pomeni kompromis na drugem. Na primer, povečanje zasebnosti z zmanjšanjem ε v DP lahko zmanjša natančnost modela in podaljša čas konvergence. Enako velja za robustno agregacijo: preveč agresivno filtriranje lahko zavrže koristne posodobitve, kar vpliva na učinkovitost modela. Ključ je v sistematičnem pristopu k vrednotenju teh kompromisov.

Uporabljamo multikriterijsko optimizacijo, kjer hkrati merimo več metrik, kot so: povprečna natančnost modela ('accuracy', F1-mera), zasebnostni proračun (ε), robustnost proti napadom (npr. maksimalno zmanjšanje natančnosti ob x % kontaminacije) in čas konvergence (število komunikacijskih krogov). Cilj ni doseči popolnost na vseh področjih, temveč najti 'Pareto optimalne' rešitve, kjer ni mogoče izboljšati ene metrike, ne da bi poslabšali drugo. Za zavarovalniške aplikacije, kjer sta zaupanje strank in skladnost z zakoni (ZVOP-2, ZZavar-1) ključni, je običajno sprejemljivo znižanje natančnosti za 5–10 % (0,05–0,10), če se s tem bistveno izboljša zasebnost (npr. ε med 2–5) in robustnost modela. Pomembno je določiti pragove sprejemljivosti za vsako metriko in nato eksperimentalno najti konfiguracijo, ki izpolnjuje te zahteve, kar zagotavlja, da je rešitev tako tehnično zanesljiva kot tudi poslovno sprejemljiva.

Kaj je krito in kaj ni krito: Pomen varnostnih mehanizmov

V kontekstu modelov FL v zavarovalništvu izraz 'kaj je krito in kaj ni krito' nima neposredne povezave z zavarovalnimi policami, temveč se nanaša na to, katere ranljivosti so obvladane z določenimi obrambnimi mehanizmi in katere ostajajo odprte. To je ključno za razumevanje omejitev in nadaljnjega razvoja.

S pomočjo diferencialne zasebnosti (DP) so 'kriti' predvsem napadi 'model inference', kot so 'membership inference' in 'reconstruction attacks'. DP z dodajanjem šuma zamegli posamezne prispevke, kar otežuje ali onemogoča izpeljavo informacij o posameznih podatkih za usposabljanje iz globalnega modela. S tem se zagotavlja visoka raven zasebnosti posameznih zavarovancev, saj njihovih podatkov ni mogoče rekonstruirati, tudi če je napadalec v celoti vpogledal v model ali njegove posodobitve. Vendar pa DP 'ne krije' v celoti napadov 'data poisoning'. Čeprav lahko šum posredno zmanjša vpliv nekaterih zlonamernih vnosov, ni primarni mehanizem za robustnost proti namerno zastrupljenim podatkom. Zato je nujen kombiniran pristop. Robustna agregacija po drugi strani 'krije' predvsem napade 'data poisoning'. S filtriranjem ali zmanjševanjem vpliva odstopajočih posodobitev, ki jih pošiljajo zlonamerni odjemalci, bistveno poveča robustnost globalnega modela proti namernemu zniževanju natančnosti. 'Ne krije' pa neposredno napadov 'model inference', saj sama agregacija ne dodaja zasebnostnega šuma, temveč le izboljša odpornost modela proti zlonamernim vnosom. Zato je kombinacija obeh mehanizmov ključna za celovito zaščito modelov FL v zavarovalništvu. To pomeni, da je 'krito' oboje: zasebnost posameznika in integriteta modela, medtem ko se 'ne krijejo' še vedno potencialno neznani napadi, ki se razvijajo, ter nekateri sofisticirani napadi, ki prebijejo tudi najboljše obrambne mehanizme.

Praktični primer: Optimizacija modela za napovedovanje verjetnosti nezgode

Predstavljajte si zavarovalnico 'A', ki želi izboljšati svoj model za napovedovanje verjetnosti nezgode za avtomobilska zavarovanja. Zavarovalnica 'A' ima dostop do obsežnih podatkov o prometnih nesrečah, vozniških navadah in demografiji svojih strank. Vendar pa zaradi strogih regulativ (ZVOP-2) in konkurenčnih razlogov teh podatkov ne more deliti z drugimi zavarovalnicami ali centraliziranimi platformami. Tu vstopi federativno učenje. Namesto da bi delila surove podatke, zavarovalnica 'A' sodeluje v konzorciju FL z drugimi zavarovalnicami (recimo 'B' in 'C'). Vsaka zavarovalnica usposablja lokalni model na svojih podatkih, nato pa pošlje šumu obarvane posodobitve na centralni strežnik, ki uporablja robustno agregacijo.

Simulacija kaže, da je začetni globalni model za napovedovanje verjetnosti nezgode, usposobljen brez kakršne koli obrambe, dosegel F1-mero 0,92. Ko pa smo simulirali napad 'data poisoning', kjer je 10 % (0,10) odjemalcev namerno vnašalo napačne podatke (npr. lažne prijave nezgod ali manipulirane parametre), je F1-mera padla na 0,70. Z implementacijo diferencialne zasebnosti z ε = 5 in robustne agregacije ('Trimmed Mean' z odstranitvijo 5 % (0,05) ekstremnih posodobitev na vsaki strani) smo dosegli, da je F1-mera v prisotnosti istega napada ostala pri 0,85. To predstavlja 21,43-odstotno (0,21) izboljšanje delovanja modela v scenariju napada. Čas konvergence se je podaljšal za 15 % (0,15), vendar je model ostal stabilen in uporaben, kar je ključnega pomena za zanesljivo ocenjevanje tveganj in določanje premij. Ta primer demonstrira, kako kombinacija tehničnih rešitev omogoča praktično uporabo FL v izjemno občutljivem in reguliranem okolju, kot je zavarovalništvo, kjer so posledice napadov lahko finančno in reputacijsko uničujoče.

Zaključek: Zavarovana pot v digitalno prihodnost

Federativno učenje predstavlja transformativno tehnologijo za zavarovalništvo, ki obljublja optimizacijo procesov in izboljšanje storitev, hkrati pa ohranja zasebnost podatkov. Vendar pa je ta pot polna izzivov, predvsem v obliki sofisticiranih adversarialnih napadov, ki lahko ogrozijo integriteto in zanesljivost modelov. Kvantitativna analiza, ki sem jo predstavila, jasno kaže, da so ranljivosti realne in da je brez ustreznih obrambnih mehanizmov tveganje preveliko za sprejem v praksi.

Implementacija diferencialne zasebnosti in robustne agregacije se je izkazala za ključno pri blažitvi teh tveganj. Z natančnim izračunom parametrov, kot sta zasebnostni proračun (epsilon) in nastavitve agregacije, lahko dosežemo optimalen kompromis med zasebnostjo, robustnostjo in uporabnostjo modela. To mi omogoča, da kot strokovnjakinja za zavarovanja vidim FL ne le kot tehnološko novost, temveč kot orodje, ki lahko zavarovalnicam omogoči inovacije, medtem ko ohranjajo najvišje standarde etike in skladnosti z zakonodajo. Verjamem, da bo z nadaljnjim razvojem in implementacijo teh varnostnih praks federativno učenje postalo nepogrešljiv del digitalne prihodnosti zavarovalništva, zagotavljajoč varnejše in učinkovitejše rešitve za vse.

Pogosta vprašanja

Kaj je federativno učenje (FL) v zavarovalništvu?

FL je metoda strojnega učenja, ki omogoča usposabljanje modelov na decentraliziranih podatkih. Zavarovalnice lahko izboljšajo modele za tveganja in prevare, ne da bi delile surove podatke strank, s čimer se ohranja zasebnost in skladnost z regulativo.

Kateri so glavni adversarialni napadi na modele FL?

Glavna napada sta 'data poisoning', kjer napadalec vnaša zlonamerne podatke za degradacijo modela, in 'model inference', ki poskuša pridobiti občutljive informacije o podatkih za usposabljanje iz modela.

Kako diferencialna zasebnost (DP) pomaga pri zaščiti?

DP dodaja statistični šum k posodobitvam modela, s čimer zagotavlja, da prisotnost posameznika v naboru podatkov ne vpliva bistveno na izhod modela. To preprečuje napade 'model inference' in ščiti zasebnost.

Kaj je robustna agregacija in zakaj je pomembna?

Robustna agregacija filtrira ali zmanjšuje vpliv zlonamernih posodobitev modela. To bistveno poveča odpornost modelov FL proti napadom 'data poisoning', ohranja natančnost in integriteto modela kljub zlonamernim vnosom.

Kako se merijo natančnost in robustnost modelov FL?

Uporabljamo metrike, kot so natančnost ('accuracy'), F1-mera ('F1-score', uravnotežena mera natančnosti in priklica) in 'ROC AUC'. Robustnost merimo z zmanjšanjem teh metrik ob prisotnosti simuliranih adversarialnih napadov.

Kaj je zasebnostni proračun 'epsilon' (ε)?

Epsilon kvantificira raven zasebnosti v diferencialni zasebnosti. Nižja vrednost ε pomeni močnejšo zasebnost, vendar lahko negativno vpliva na natančnost modela. Iskanje optimalne vrednosti je ključno.

Viri in reference

• Uradni list RS – Zakon o varstvu osebnih podatkov (ZVOP-2)
• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o obveznih in prostovoljnih pokojninskih zavarovanjih (ZPIZ-2)
• Whitepaper Evropske agencije za kibernetsko varnost (ENISA) o zasebnosti v Federated Learningu
• Raziskovalne študije o adversarialnih napadih in obrambah v Federated Learningu (npr. 'Adversarial Attacks on Federated Machine Learning' – Communications of the ACM)

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Šolsko nezgodno zavarovanje vs. individualna otroška polica

• 
  Primer: Tehnični vpogledi

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

• 
  Primer: Tehnični vpogledi

  Doživljenjsko življenjsko zavarovanje in upravljanje sprememb na polici

• 
  Primer: Tehnični vpogledi

  Fiksna ali padajoča zavarovalna vsota? Stroškovna primerjava za kreditojemalce

• 
  Primer: Tehnični vpogledi

  Kreditno življenjsko zavarovanje in FURS: Obdavčitev izplačil za zunajzakonske partnerje