Rangkaian sintetik boleh meningkatkan ketersediaan beberapa data sementara masih melindungi privasi individu atau institusi, menurut statistik Penn State.
"Kepentingan utama saya ialah membangunkan metodologi yang membolehkan perkongsian data sulit yang lebih luas dalam cara yang boleh membantu penemuan saintifik," kata Aleksandra Slavkovic, profesor statistik dan penyelaras untuk pendidikan siswazah, Eberly College of Science, Penn State. "Mampu berkongsi data sulit dengan risiko yang boleh diukur secara minimum untuk penemuan maklumat sensitif dan masih memastikan ketepatan dan integriti statistik, adalah matlamat."
Slavkovic telah menemui penyelesaian kepada masalah privasi data ini melalui kerjasama interdisipliner, terutama dengan komputer dan saintis sosial. Penyelidikannya memberi tumpuan kepada pelbagai data, termasuk data rangkaian yang menangkap maklumat hubungan antara entiti seperti individu atau institusi. Beliau melaporkan pendekatannya untuk menyediakan rangkaian sintetik yang memenuhi tanggapan mengenai perbezaan privasi hari ini (16 Feb) semasa mesyuarat tahunan Persatuan Amerika untuk Peningkatan Sains di Washington, DC
Privasi berbeza memberikan jaminan yang boleh dibuktikan secara matematik tentang tahap kehilangan privasi kepada individu.
Para saintis mahu akses kepada data yang dikumpul oleh orang lain untuk penyelidikan mereka, tetapi akses tersebut juga boleh menjejaskan privasi peribadi, walaupun selepas penyingkiran apa yang dikenali sebagai data yang dikenali secara peribadi.
"Data tambahan yang banyak adalah penyebab utama," kata Slavkovic. "Dengan kemajuan metodologi dan teknologi dalam pengumpulan data dan hubungan rakaman, akses mudah ke pelbagai sumber data yang boleh dihubungkan dengan dataset di tangan, dan keperluan agensi pembiayaan untuk berkongsi data, risiko terhadap privasi data semakin meningkat. penyelesaian untuk menguruskan kehilangan privasi adalah penting untuk membolehkan penemuan saintifik yang kukuh. "
Maklumat umum dari percubaan ubat pada ubat HIV, sebagai contoh, akan menunjukkan siapa yang berada dalam kumpulan rawatan dan yang berada di dalam kumpulan kawalan. Kumpulan rawatan hanya akan mengandungi orang-orang yang didiagnosis HIV dan walaupun pemilik data memotong butir-butir peribadi dari data yang ditetapkan, beberapa maklumat mengenal pasti akan kekal. Oleh kerana begitu banyak maklumat hari ini tersedia secara dalam talian di media sosial dan dalam dataset lain, adalah mungkin untuk menyambung titik-titik dan mengenal pasti orang-orang, berpotensi mendedahkan status HIV mereka.
"Teknik untuk menghubungkan dua set data, kata rekod pemilih dan data insurans kesihatan, telah bertambah baik," kata Slavkovic. "Dalam satu penemuan terawal, Latanya Sweeny (sekarang di Harvard) menunjukkan bahawa dengan menghubungkan jenis data ini, anda dapat mengenal pasti 87 peratus penduduk di Banci Amerika Syarikat dari tahun 1990 berdasarkan tarikh kelahiran, jantina dan 5 digit kod zip baru-baru ini, penyelidik menggunakan tweet dan metadata Twitter yang berkaitan untuk menunjukkan bahawa mereka boleh mengenal pasti pengguna dengan ketepatan 96.7 peratus. "
Slavkovic menyatakan bahawa bukan hanya orang atau institusi yang datanya terkandung dalam pangkalan data, tetapi orang di luar pangkalan data juga boleh mengalami pencerobohan privasi, secara langsung atau dengan persatuan. Hubungan antara maklumat dalam dataset dan maklumat mengenai media sosial mungkin membawa kepada masalah privasi yang serius - sesuatu seperti status HIV atau orientasi seksual boleh membawa kesan yang teruk jika terungkap.
Walaupun privasi adalah penting, kumpulan data yang dikumpul membentuk sumber maklumat penting untuk penyelidik. Pada masa ini, dalam beberapa kes apabila data sangat sensitif, penyelidik mesti secara fizikal pergi ke repositori data untuk melakukan penyelidikan mereka, membuat penyelidikan lebih sukar dan mahal.
Slavkovic berminat dengan data rangkaian. Maklumat yang menunjukkan kesalinghubungan orang atau institusi - nod - dan sambungan antara nod. Pendekatannya adalah untuk membuat data rangkaian yang sedikit diubah dan dicerminkan dengan beberapa nod yang dipindahkan, sambungan beralih atau tukar diubah.
"Tujuannya adalah untuk mewujudkan rangkaian baru yang memenuhi keperluan privasi yang ketat dan pada masa yang sama menangkap sebahagian besar ciri-ciri statistik dari rangkaian asal," kata Slavkovic.
Data-data sintetik ini mungkin mencukupi bagi sesetengah penyelidik untuk memenuhi keperluan penyelidikan mereka. Bagi yang lain, ia mencukupi untuk menguji pendekatan dan hipotesis mereka sebelum perlu pergi ke tapak penyimpanan data. Penyelidik boleh menguji kod, melakukan penyelidikan penyelidikan dan mungkin analisis asas sambil menunggu kebenaran untuk menggunakan data asal di laman repositorinya.
"Kami tidak dapat memenuhi tuntutan untuk semua analisis statistik dengan jenis data yang sama diubah," kata Slavkovic. "Sesetengah orang akan memerlukan data asal, tetapi yang lain mungkin pergi jauh dengan data sintetik seperti rangkaian sintetik."
