Skip to content
Kembali ke hasil pencarian

Generasi Data Sintetis untuk Pengendalian Pengungkapan

Diperkenalkan oleh
Donald Rubin
Tahun
1993
Jenis
Privacy-preserving data synthesis
Keluarga
Privacy-preserving analysis

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Generasi data sintetis adalah teknik pembatasan pengungkapan statistik yang diperkenalkan oleh Donald Rubin pada tahun 1993, di mana nilai-nilai dalam kumpulan data rahasia diganti dengan sampel dari distribusi prediktif posterior yang disesuaikan daripada dirilis secara langsung.

Catatan artifisial yang dihasilkan mempertahankan struktur statistik gabungan dari data asli sambil mencegah identifikasi individu nyata, memungkinkan analis untuk bekerja dengan kumpulan data yang dapat dirilis secara publik yang berperilaku seperti aslinya untuk sebagian besar tujuan inferensial.

Intuisi di balik metode

Bayangkan seorang pematung yang, alih-alih meminjamkan patung asli yang tak ternilai harganya, menyerahkan cetakan plester yang sempurna yang dibuat dari cetakan yang sama. Anda dapat mengukur setiap dimensi, menguji distribusi bobotnya, dan mempelajari proporsinya tanpa risiko terhadap aslinya. Data sintetis bekerja dengan cara yang sama: model mempelajari 'bentuk' data nyata dan menghasilkan catatan artifisial yang berbagi bentuk tersebut, sehingga peneliti mendapatkan materi yang berguna secara analitis sementara orang-orang nyata di balik catatan tersebut tetap tersembunyi.

Sejarah

Donald Rubin mengusulkan generasi data sintetis dalam makalah diskusi tahun 1993 tentang pembatasan pengungkapan statistik, mengadaptasi kerangka kerja imputasi ganda yang telah dikembangkannya untuk data yang hilang sepanjang tahun 1970-an–1980-an. Roderick Little menguraikan teori tak lama setelahnya, membedakan pendekatan sepenuhnya sintetis dari pendekatan sebagian sintetis. Selama tahun 2000-an, Biro Sensus AS menguji coba file penggunaan publik sintetis untuk beberapa survei. Munculnya jaringan generatif adversarial dan autoencoder variasi setelah tahun 2014 secara substansial memperluas perangkat alat, membuat synthesizer pembelajaran mendalam praktis untuk data tabular dan longitudinal yang kompleks.

Kapan digunakan

Gunakan generasi data sintetis ketika kumpulan data berisi informasi pribadi sensitif atau rahasia komersial yang secara hukum atau etis tidak dapat dibagikan dalam bentuk aslinya, namun merilis versi data akan bermanfaat bagi penelitian atau analisis kebijakan. Sangat cocok untuk file mikrodata yang besar dan kompleks di mana teknik penyamaran sederhana akan menghancurkan kegunaan analitis. Asumsi utama adalah bahwa model sintesis menangkap distribusi gabungan yang relevan dan bahwa analisis yang dimaksud konsisten dengan apa yang dirancang untuk didukung oleh synthesizer. Ini adalah pilihan yang buruk ketika pertanyaan penelitian bergantung pada catatan tingkat individu yang otentik, ketika model sintesis salah spesifikasi, atau ketika serangan re-identifikasi adversarial yang mengeksploitasi artefak distribusi halus menjadi perhatian serius. Alternatifnya termasuk privasi diferensial, enclave data, dan sistem akses berbasis kueri.

Batasan dan pertimbangan

  • Validitas inferensial sangat bergantung pada spesifikasi model sintesis yang benar; model yang salah spesifikasi menghasilkan data sintetis dengan distribusi bias yang menyesatkan analis.
  • Aturan penggabungan memerlukan pengetahuan tentang apakah data sepenuhnya atau sebagian sintetis dan berapa banyak replikat yang diproduksi, detail yang harus menyertai rilis.
  • Menghasilkan data sintetis berfidelitas tinggi untuk variabel dengan kemiringan ekstrem, kategori jarang, atau struktur hierarkis yang kompleks tetap menantang secara teknis.
  • Serangan inferensi keanggotaan dan pengungkapan atribut telah menunjukkan bahwa kumpulan data sintetis tidak sepenuhnya pribadi; jaminan privasi formal memerlukan mekanisme tambahan seperti privasi diferensial.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Merilis kumpulan data yang sepenuhnya mandiri yang dapat digunakan analis dengan perangkat lunak dan alur kerja standar tanpa infrastruktur khusus.
  • Didasarkan pada kerangka kerja imputasi ganda Bayesian yang ketat, memberikan estimasi varians yang valid ketika aturan penggabungan diterapkan dengan benar.
  • Dapat mereproduksi hubungan multivariat yang kompleks, distribusi subkelompok langka, dan struktur longitudinal yang didistorsi oleh metode penyamaran sederhana.
  • Secara alami diskalakan ke mikrodata berdimensi tinggi dan dapat menggabungkan data publik tambahan untuk meningkatkan fidelitas synthesizer.

Penerapan

  • Badan statistik nasional merilis file mikrodata penggunaan publik dari sensus dan survei rumah tangga sambil melindungi identitas responden.
  • Sistem perawatan kesehatan berbagi catatan pasien untuk penelitian epidemiologi tanpa mengekspos informasi kesehatan yang dilindungi di bawah HIPAA atau GDPR.
  • Lembaga keuangan menghasilkan kumpulan data transaksi sintetis untuk pengembangan model deteksi penipuan dan latihan pengujian stres peraturan.
  • Arsip data ilmu sosial menambah studi longitudinal dengan akses terbatas dengan kumpulan data pengajaran sintetis untuk instruksi kelas.
  • Perusahaan teknologi menghasilkan log perilaku pengguna sintetis untuk melatih dan mengukur model pembelajaran mesin ketika log nyata terlalu sensitif untuk digunakan secara langsung.

Cara kerjanya

Cara kerjanya

1

Model generatif — mulai dari model parametrik Bayesian hingga regresi sekuensial atau jaringan generatif mendalam — disesuaikan dengan kumpulan data asli yang rahasia. Tujuannya adalah untuk menangkap distribusi gabungan penuh dari semua variabel, termasuk korelasi dan karakteristik marjinalnya, sehingga synthesizer mengkodekan semua yang dibutuhkan analis untuk inferensi hilir.

Rumus
p(X_{\text{synth}} \mid X_{\text{obs}}) = \int p(X_{\text{synth}} \mid \theta)\, p(\theta \mid X_{\text{obs}})\, d\theta
2

Alih-alih menggunakan satu estimasi titik dari parameter model, prosedur sintesis mengambil sampel vektor parameter baru dari distribusi posterior mengingat data yang diamati. Langkah Bayesian ini menyebarkan ketidakpastian parameter ke setiap replikat sintetis, mencegah inferensi yang terlalu percaya diri dan menyelaraskan kerangka kerja sintesis secara formal dengan teori imputasi ganda Rubin.

Rumus
\theta^{*} \sim p(\theta \mid X_{\text{obs}})
3

Menggunakan vektor parameter yang diambil sampelnya, kumpulan data yang sepenuhnya baru dengan dimensi yang sama dengan aslinya disimulasikan. Langkah ini diulang M kali (biasanya M = 5–20) untuk menghasilkan M replikat sintetis independen, masing-masing mencerminkan pengambilan sampel yang berbeda dari posterior dan oleh karena itu menangkap ketidakpastian penuh yang dapat diatribusikan pada variabilitas pengambilan sampel dan estimasi parameter.

Rumus
X_{\text{synth}}^{(m)} \sim p(X \mid \theta^{*}), \quad m = 1, \ldots, M
4

Analis menjalankan prosedur statistik mereka pada setiap M kumpulan data sintetis, memperoleh M estimasi titik dan estimasi varians. Ini digabungkan menggunakan aturan penggabungan Rubin: estimasi keseluruhan adalah rata-rata dari M estimasi, dan varians total menambahkan varians dalam replikat ke komponen antar-replikat yang diskalakan oleh (M+1)/M, menghasilkan interval kepercayaan frekuentis dan uji hipotesis yang valid.

Rumus
\bar{Q} = \frac{1}{M} \sum_{m=1}^{M} \hat{Q}^{(m)}, \quad T = \frac{1}{M}\sum_{m=1}^{M} U^{(m)} + \frac{M+1}{M} B_M

Kesalahan umum

  • Merilis hanya satu replikat sintetis (M = 1) membatalkan kerangka kerja aturan penggabungan dan menghasilkan kesalahan standar yang terlalu percaya diri.
  • Menyesuaikan model sintesis pada sub-sampel yang tidak representatif dan kemudian menghasilkan catatan sintetis pada skala populasi memperkenalkan bias sistematis yang mungkin tidak terdeteksi oleh analis.
  • Memperlakukan data sintetis sebagai pengganti sempurna untuk data nyata dalam analisis yang memerlukan otentisitas individu — seperti pencocokan catatan atau penargetan mikro geografis — mengarah pada kesimpulan yang salah secara substantif.
  • Menghilangkan subkelompok yang langka tetapi penting secara analitis dari model sintesis dapat menyebabkan kelompok tersebut tidak ada atau sangat terdistorsi dalam keluaran sintetis.

Pertanyaan yang sering diajukan

Berapa banyak replikat sintetis (M) yang saya butuhkan?

Aturan penggabungan Rubin memerlukan setidaknya M = 2 replikat untuk memperkirakan varians antar-replikat. Dalam praktiknya, M = 5 hingga 20 adalah standar: M yang lebih kecil meningkatkan estimasi varians dan mengurangi kekuatan statistik, sementara M yang sangat besar memberikan hasil yang semakin berkurang. Pilihan optimal tergantung pada seberapa banyak dari total varians yang dapat diatribusikan pada ketidakpastian sintesis relatif terhadap variabilitas pengambilan sampel dalam replikat.

Apakah data sintetis sama dengan data anonim di bawah GDPR?

Regulator umumnya memperlakukan data sintetis dengan hati-hati. Jika model sintesis menghafal atau sangat mendekati catatan individu, keluaran masih dapat dianggap sebagai data pribadi. Anonimisasi sejati di bawah GDPR mensyaratkan bahwa re-identifikasi secara wajar tidak mungkin dilakukan; data sintetis memenuhi ambang batas ini hanya ketika risiko inferensi keanggotaan yang terbukti rendah ditunjukkan, seringkali melalui jaminan privasi diferensial formal yang dilapisi di atas prosedur sintesis.

Bisakah saya menggunakan model generatif mendalam alih-alih synthesizer regresi Bayesian?

Ya. GAN, VAE, dan model difusi telah diterapkan sebagai synthesizer dan dapat menangkap dependensi yang sangat nonlinier yang dilewatkan oleh model parametrik. Namun, mereka kekurangan interpretasi pengambilan sampel posterior yang berprinsip yang mendasari aturan penggabungan Rubin, sehingga diperlukan pekerjaan tambahan untuk mengukur ketidakpastian sintesis dan memastikan bahwa merilis M replikat dari GAN menghasilkan inferensi yang valid daripada M salinan yang hampir identik dari distribusi yang sama yang dihasilkan.

Metode terkait

Sumber

  1. Rubin, D. B. (1993). Statistical disclosure limitation. Journal of Official Statistics, 9(2), 461–468.

    Buka referensi publikasi
    Disalin.