Redes sintéticas podem aumentar a disponibilidade de alguns dados e, ao mesmo tempo, proteger a privacidade individual ou institucional, de acordo com um estatístico da Penn State.
"Meu principal interesse é desenvolver metodologia que permita o compartilhamento mais amplo de dados confidenciais de uma maneira que possa ajudar na descoberta científica", disse Aleksandra Slavkovic, professora de estatística e reitora associada de pós-graduação, Eberly College of Science, da Penn State. "Ser capaz de compartilhar dados confidenciais com risco quantificável mínimo para a descoberta de informações confidenciais e ainda garantir precisão e integridade estatísticas é o objetivo."
Slavkovic encontrou soluções para esse problema de privacidade de dados por meio de colaborações interdisciplinares, especialmente com cientistas de computação e sociais. Sua pesquisa se concentra em vários dados, incluindo dados de rede que capturam informações de relacionamento entre entidades, como indivíduos ou instituições. Ela relatou suas abordagens para fornecer redes sintéticas que satisfazem uma noção de privacidade diferencial hoje (16 de fevereiro) durante a reunião anual de 2019 da Associação Americana para o Avanço da Ciência, em Washington, DC
A privacidade diferencial fornece uma garantia matematicamente comprovável do nível de perda de privacidade para os indivíduos.
Os cientistas querem acesso a dados coletados por outras pessoas para sua pesquisa, mas esse acesso também pode comprometer a privacidade pessoal, mesmo após a remoção dos chamados dados de identificação pessoal.
"Uma abundância de dados auxiliares é o principal culpado", disse Slavkovic. "Com os avanços metodológicos e tecnológicos na coleta de dados e vinculação de registros, o acesso mais fácil à variedade de fontes de dados que podem ser vinculadas a um conjunto de dados e os requisitos das agências de financiamento para compartilhar dados, os riscos à privacidade dos dados estão aumentando. soluções para gerenciar a perda de privacidade são essenciais para permitir uma descoberta científica sólida ".
Informações disponíveis publicamente de um teste de drogas em um medicamento para HIV, por exemplo, indicariam quem estava no grupo de tratamento e quem estava no grupo de controle. O grupo de tratamento conteria apenas pessoas diagnosticadas com HIV e, mesmo que os proprietários de dados retivessem dados pessoais daquele conjunto de dados, algumas informações de identificação permaneceriam. Como muitas informações estão disponíveis on-line hoje nas mídias sociais e em outros conjuntos de dados, é possível conectar os pontos e identificar as pessoas, potencialmente revelando seu status de HIV.
"As técnicas para vincular dois conjuntos de dados, digamos registros de eleitores e dados de seguro de saúde, melhoraram muito", disse Slavkovic. "Em uma das primeiras descobertas, Latanya Sweeny (agora em Harvard) mostrou que ligando esse tipo de dados, você pode identificar 87% das pessoas no censo dos EUA a partir de 1990 com base em sua data de nascimento, sexo e 5 dígitos. Mais recentemente, os pesquisadores usaram tweets e metadados associados do Twitter para mostrar que eles podem identificar usuários com 96,7% de precisão ".
Slavkovic observa que não são apenas pessoas ou instituições cujos dados estão contidos nos bancos de dados, mas que pessoas fora do banco de dados também podem sofrer invasão de privacidade, diretamente ou por associação. As ligações entre as informações em um conjunto de dados e as informações nas mídias sociais podem levar a uma séria violação de privacidade - algo como o status de HIV ou orientação sexual pode ter graves repercussões se for revelado.
Embora a privacidade seja importante, os conjuntos de dados coletados constituem uma fonte essencial de informações para os pesquisadores. Atualmente, em alguns casos, quando os dados são excepcionalmente sensíveis, os pesquisadores precisam ir fisicamente aos repositórios de dados para fazer suas pesquisas, tornando a pesquisa mais difícil e cara.
Slavkovic está interessado em dados de rede. Informações que mostram a interconectividade de pessoas ou instituições - os nós - e as conexões entre os nós. Sua abordagem é criar conjuntos de dados de rede espelhados e ligeiramente alterados, com alguns dos nós movidos, conexões deslocadas ou bordas alteradas.
"O objetivo é criar novas redes que satisfaçam os rigorosos requisitos de privacidade e, ao mesmo tempo, capturar a maioria dos recursos estatísticos da rede original", disse Slavkovic.
Esses conjuntos de dados sintéticos podem ser suficientes para que alguns pesquisadores satisfaçam suas necessidades de pesquisa. Para outros, seria suficiente testar suas abordagens e hipóteses antes de ter que ir ao site de armazenamento de dados. Os pesquisadores podem testar código, fazer pesquisas exploratórias e, talvez, análises básicas enquanto aguardam permissão para usar os dados originais em seu repositório.
"Não podemos satisfazer as demandas de todas as análises estatísticas com o mesmo tipo de dados alterados", disse Slavkovic. "Algumas pessoas precisarão dos dados originais, mas outras podem percorrer um longo caminho com dados sintéticos, como redes sintéticas".
