Syntetické sítě může zvýšit dostupnost některých údajů zároveň ochránit soukromí individuální nebo institucionální, podle statistik Penn State.
"Můj hlavní zájem je vypracování metodiky, která by umožnila širší sdílení důvěrných dat způsobem, který může pomoci vědeckých objevů," řekl Aleksandra Slavkovic, profesor statistiky a spolupracovník Dean pro postgraduální vzdělávání, Eberly College of Věda, Penn stát. "Být schopen sdílet důvěrné údaje s minimálním rizikem kvantifikovatelné pro odhalení citlivých informací a stále zajištění statistické přesnosti a integrity, je cíl."
Slavkovic nalezl řešení tohoto problému ochrany osobních dat prostřednictvím interdisciplinární spolupráce, zejména s počítačem a sociální vědci. Její výzkum se zaměřuje na různé údaje, včetně dat v síti, které zachycují informace o vztahu mezi entitami, například osoby nebo instituce. Nahlásila ji přístupy k poskytování syntetických sítí, které splňují představu o rozdílové soukromí dnes (16. únor) 2019 výroční zasedání americké asociace pro rozvoj vědy v Washingtonu, D.C.
Diferenciální soukromí zaručuje matematicky prokazatelné výši ztráty soukromí jednotlivcům.
Vědci chtějí přístup k data shromážděná jiní pro jejich výzkum, ale takový přístup může také ohrozit soukromí osob, dokonce i po odstranění takzvaných osobně identifikovatelné údaje.
"Spoustu pomocných dat je hlavní viník," řekl Slavkovic. "S metodické a technologické pokroky ve sběru dat a záznamů přepákování, snazší přístup k řadě zdrojů dat, které by mohly být spojeny s dataset v ruce, a financování agentury požadavky na sdílení dat, se zvyšuje riziko pro soukromí dat. "Ale hledání dobré řešení pro správu ztráta soukromí jsou nezbytné pro povolení zvuku vědecký objev."
Veřejně dostupné informace z zkušební lék na HIV lék, například, by znamenat, kdo byl ve skupině a kdo byl v kontrolní skupině. Ve skupině by obsahoval pouze lidé diagnostikován virus HIV a i přesto, že vlastníci dat zadržené osobní údaje z datového souboru, by zůstaly některé identifikační údaje. Protože tolik informací je dnes k dispozici online v sociálních médiích a v dalších objektech DataSet, je možné pospojovat a identifikaci osob, potenciálně odhalit jejich HIV pozitivitě.
"Techniky propojit dvě sady dat, řekněme voličů záznamů a zdravotní pojištění údaje, se výrazně zlepšila," řekl Slavkovic. "V jednom z prvních zjištění, Latanya Sweeny (nyní na Harvardu) ukázala, že spojením těchto typu dat, můžete identifikovat 87 procent lidí v amerického sčítání lidu z roku 1990 na základě jejich data narození, pohlaví a 5-ti místné PSČ. Nedávno výzkumníci používají tweety a související metadata Twitter Ukázat, že můžete identifikovat uživatele s přesností 96,7 procenta."
Slavkovic konstatuje, že to není jen osob nebo institucí, jejichž údaje jsou obsaženy v databázích, ale že lidé mimo databázi lze také trpí narušení soukromí, přímo nebo prostřednictvím asociace. Vazeb mezi informacemi v dataset a informace o sociální média by mohlo vést k vážné soukromí závěrem – něco jako HIV status nebo sexuální orientace může mít vážné následky, pokud odhalila.
Soukromí je důležité, shromážděné soubory tvoří základní zdroj informací pro výzkumné pracovníky. V současné době v některých případech když jsou mimořádně citlivé údaje vědci musí fyzicky přejít k datových úložišť pro jejich výzkum, takže výzkum obtížnější a dražší.
Slavkovic je zájem o data v síti. Informace, které ukazuje propojenost osob nebo institucí – uzly – a připojení mezi uzly. Její přístup je vytvořit mírně změněné, zrcadlené síťové soubory s několika uzly přestěhoval, připojení posunuty nebo hrany změněn.
"Cílem je vytvořit nové sítě, které splňují požadavky na přísné diferenciální soukromí a zároveň zachytit většina statistických funkcí z původní sítě," řekl Slavkovic.
Tyto syntetické datové sady může být dostatečná pro některé badatele k uspokojení svých potřeb výzkumu. Pro jiné by byly dostatečné k testování jejich přístupy a hypotéza předtím, než jít do datového úložiště. Vědci by mohla testovat kód, proveďte předběžný výzkum a možná základní analýzy při čekání na povolení používat původní data ve své síti úložiště.
"Jsme nelze uspokojit požadavky pro všechny statistické analýzy se stejným typem změněné údaje," řekl Slavkovic. "Někteří lidé budou potřebovat původní data, ale ostatní může jít dlouhou cestu s syntetické daty například syntetických sítí."
