Das Phänomen der „Schwarzen Schwäne“ stellt eine grundlegende Herausforderung für die Leistungsfähigkeit klassischer maschineller Lernmodelle dar. Die wahrgenommene Häufigkeitssteigerung von Ausreißerbedingungen, insbesondere in der postpandemischen Umgebung, hat es erforderlich gemacht, synthetische Daten als Ergänzung zu realen Daten bei der Modellbildung zu untersuchen. Dieser Artikel bietet einen allgemeinen Überblick und eine experimentelle Untersuchung des zGAN-Modellarchitekturen, die zur Erzeugung synthetischer tabellarischer Daten mit Ausreißerkennzeichen entwickelt wurden. Das Modell wird in binären Klassifizierungsumgebungen getestet und zeigt vielversprechende Ergebnisse in der Erzeugung realistischer synthetischer Daten sowie in der Steigerung der Modelleistung. Eine charakteristische Eigenschaft des zGAN ist seine verbesserte Korrelationsfähigkeit zwischen den Merkmalen in den generierten Daten, die die Korrelationen der Merkmale in den realen Trainingsdaten nachbildet. Darüber hinaus ist entscheidend, dass das zGAN auf Basis der Kovarianz realer Daten oder synthetisch erzeugter Kovarianzen Ausreißer erzeugen kann. Dieser Ansatz zur Erzeugung von Ausreißern ermöglicht das Modellieren komplexer wirtschaftlicher Ereignisse und die Erweiterung von Ausreißern für Aufgaben wie das Training vorhersagender Modelle und das Erkennen, Verarbeiten oder Entfernen von Ausreißern. Im Rahmen dieser Studie wurden Experimente und vergleichende Analysen sowohl an privaten (Kreditrisiko im Finanzdienstleistungssektor) als auch an öffentlichen Datensätzen durchgeführt.