Syntetiske netværk kan øge tilgængeligheden af nogle data, samtidig med at det stadig beskytter individuelle eller institutionelle privatliv, ifølge en Penn State statistiker.
"Min nøgleinteresse er at udvikle metodologi, der muliggør bredere udveksling af fortrolige data på en måde, der kan hjælpe med videnskabelig opdagelse", siger professor i statistik og associerede dekan for kandidatuddannelse, Eberly College of Science, Penn State, Aleksandra Slavkovic. "At kunne dele fortrolige data med minimal kvantificerbar risiko for opdagelse af følsomme oplysninger og stadig sikre statistisk nøjagtighed og integritet er målet."
Slavkovic har fundet løsninger på dette data privacy problem gennem tværfaglige samarbejder, især med computer og samfundsvidenskabsfolk. Hendes forskning fokuserer på forskellige data, herunder netværksdata, der fanger forholdsoplysninger mellem enheder som enkeltpersoner eller institutioner. Hun rapporterede sine tilgange til at levere syntetiske netværk, der opfylder et begreb om differentieret privatlivets fred i dag (16. februar) under det årlige møde i 2019 af American Association for Advancement of Science i Washington, DC
Differentiel privatliv giver en matematisk bevisbar garanti for niveauet for privatlivets tab for enkeltpersoner.
Forskere vil have adgang til data indsamlet af andre til deres forskning, men en sådan adgang kan også være til skade for privatlivets fred, selv efter fjernelse af såkaldte personligt identificerbare data.
"En overflod af hjælpedata er den vigtigste synder," sagde Slavkovic. "Med metodologiske og teknologiske fremskridt inden for dataindsamling og rekordforbindelse, lettere adgang til forskellige datakilder, som kunne knyttes sammen med et datasæt i hånden, og finansieringsbureauer krav til at dele data, er risikoen for personoplysningerne stigende. Men at finde gode løsninger til håndtering af privatlivets tab er afgørende for at muliggøre en sund videnskabelig opdagelse. "
Offentligt tilgængelig information fra et lægemiddelforsøg på et HIV-lægemiddel vil for eksempel angive, hvem der var i behandlingsgruppen, og hvem der var i kontrolgruppen. Behandlingsgruppen vil kun indeholde personer, der er diagnosticeret med hiv, og selv om dataejere har tilbageholdt personlige oplysninger fra datasættet, vil nogle identificerende oplysninger forblive. Fordi så meget information er tilgængelig online online i sociale medier og i andre datasæt, er det muligt at forbinde prikkerne og identificere personer, der potentielt afslører deres hiv-status.
"Teknikker til at forbinde to datasæt, siger vælgerregistre og data om sundhedsforsikring, er stærkt forbedret," sagde Slavkovic. "I et af de tidligste fund viste Latanya Sweeny (nu hos Harvard), at ved at forbinde denne type data kan du identificere 87 procent af befolkningen i USA-folketællingen fra 1990 baseret på deres fødselsdato, køn og femcifrede postnummer. For nylig brugte forskere tweets og tilhørende Twitter-metadata til at vise, at de kan identificere brugere med 96,7 procent nøjagtighed. "
Slavkovic bemærker, at det ikke kun er personer eller institutioner, hvis data er indeholdt i databaserne, men at personer uden for databasen også kan lide af invasion af privatlivets fred, direkte eller ved forening. Forbindelser mellem oplysninger i et datasæt og oplysninger om sociale medier kan føre til en alvorlig beskyttelse af privatlivets fred - noget som HIV-status eller seksuel orientering kan have alvorlige konsekvenser, hvis det afsløres.
Selv om privatlivets fred er vigtigt, udgør de indsamlede datasæt en væsentlig kilde til information til forskere. I nogle tilfælde, hvor dataene er usædvanligt følsomme, skal forskere fysisk gå til datalagerene for at gøre deres forskning, hvilket gør forskning vanskeligere og dyrere.
Slavkovic er interesseret i netværksdata. Oplysninger, der viser sammenhængen mellem mennesker eller institutioner - knudepunkterne - og forbindelserne mellem knudepunkter. Hendes tilgang er at skabe lidt ændrede spejle netværksdatasæt med et par af de noder, der flyttes, forandringer skiftet eller kanterne ændres.
"Målet er at skabe nye netværk, der opfylder de strenge krav til forskelligartet privatlivets fred, og samtidig indsamle de fleste statistiske funktioner fra det oprindelige netværk," sagde Slavkovic.
Disse syntetiske datasæt kan være tilstrækkelige til, at nogle forskere kan tilfredsstille deres forskningsbehov. For andre vil det være tilstrækkeligt at afprøve deres tilgange og hypoteser, inden de skal gå til datalagringsstedet. Forskere kunne teste kode, foretage sonderende forskning og måske grundlæggende analyse, mens de ventede på tilladelse til at bruge de oprindelige data på dets depotsted.
"Vi kan ikke tilfredsstille krav til al statistisk analyse med samme type ændrede data," sagde Slavkovic. "Nogle mennesker vil have brug for de originale data, men andre kan gå langt med syntetiske data som syntetiske netværk."
