Skip to content
กลับไปยังผลการค้นหา

การสร้างข้อมูลสังเคราะห์เพื่อการควบคุมการเปิดเผย

ผู้เสนอ
Donald Rubin
ปี
1993
ประเภท
Privacy-preserving data synthesis
กลุ่มวิธี
Privacy-preserving analysis

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การสร้างข้อมูลสังเคราะห์เป็นเทคนิคการจำกัดการเปิดเผยข้อมูลทางสถิติที่ Donald Rubin นำเสนอในปี 1993 ซึ่งค่าในชุดข้อมูลที่เป็นความลับจะถูกแทนที่ด้วยการสุ่มจากความน่าจะเป็นของการแจกแจงภายหลังที่ได้จากการปรับแบบจำลอง แทนที่จะเปิดเผยโดยตรง เรคคอร์ดเทียมที่ได้จะรักษาโครงสร้างทางสถิติร่วมของข้อมูลต้นฉบับไว้ ในขณะเดียวกันก็ป้องกันการระบุตัวตนของบุคคลจริง ทำให้ผู้ทำการวิเคราะห์สามารถทำงานกับชุดข้อมูลที่สามารถเผยแพร่ต่อสาธารณะได้ซึ่งมีพฤติกรรมเหมือนต้นฉบับสำหรับวัตถุประสงค์ในการอนุมานส่วนใหญ่

แนวคิดเบื้องหลังวิธีการ

ลองจินตนาการถึงประติมากรที่แทนที่จะให้ยืมรูปปั้นต้นฉบับอันล้ำค่าแก่คุณ เขากลับยื่นแบบหล่อปูนปลาสเตอร์ที่สมบูรณ์แบบซึ่งทำจากแม่พิมพ์เดียวกัน คุณสามารถวัดทุกมิติ ทดสอบการกระจายน้ำหนัก และศึกษาอัตราส่วนของมันได้โดยไม่มีความเสี่ยงต่อต้นฉบับ ข้อมูลสังเคราะห์ทำงานในลักษณะเดียวกัน: แบบจำลองจะเรียนรู้ 'รูปร่าง' ของข้อมูลจริงและสร้างเรคคอร์ดเทียมที่มีรูปร่างเหมือนกัน ดังนั้นนักวิจัยจึงได้รับเนื้อหาที่มีประโยชน์สำหรับการวิเคราะห์ ในขณะที่บุคคลจริงที่อยู่เบื้องหลังเรคคอร์ดจะยังคงถูกซ่อนไว้

ประวัติศาสตร์

Donald Rubin ได้เสนอการสร้างข้อมูลสังเคราะห์ในเอกสารอภิปรายปี 1993 เกี่ยวกับการจำกัดการเปิดเผยข้อมูลทางสถิติ โดยปรับกรอบการทำงานการแทนที่หลายครั้งที่เขาได้พัฒนาขึ้นสำหรับข้อมูลที่ขาดหายไปตลอดช่วงทศวรรษ 1970–1980 Roderick Little ได้ขยายทฤษฎีดังกล่าวในเวลาต่อมา โดยแยกความแตกต่างระหว่างแนวทางสังเคราะห์ทั้งหมด (fully synthetic) และสังเคราะห์บางส่วน (partially synthetic) ในช่วงทศวรรษ 2000 สำนักงานสำมะโนประชากรสหรัฐฯ ได้ทดลองใช้ไฟล์ข้อมูลสาธารณะสังเคราะห์สำหรับแบบสำรวจหลายรายการ การเพิ่มขึ้นของโครงข่ายปฏิปักษ์เชิงกำเนิด (generative adversarial networks - GANs) และตัวเข้ารหัสอัตโนมัติแปรผัน (variational autoencoders - VAEs) หลังปี 2014 ได้ขยายชุดเครื่องมืออย่างมาก ทำให้เครื่องมือสังเคราะห์แบบการเรียนรู้เชิงลึก (deep-learning synthesizers) สามารถใช้งานได้กับข้อมูลตารางและข้อมูลตามกาลเวลาที่ซับซ้อน

ควรใช้เมื่อใด

ใช้การสร้างข้อมูลสังเคราะห์เมื่อชุดข้อมูลมีข้อมูลส่วนบุคคลที่ละเอียดอ่อนหรือข้อมูลที่เป็นความลับทางการค้าที่ไม่สามารถเปิดเผยในรูปแบบเดิมได้ตามกฎหมายหรือจริยธรรม แต่การเปิดเผยข้อมูลบางรูปแบบจะเป็นประโยชน์ต่อการวิจัยหรือการวิเคราะห์นโยบาย เหมาะสำหรับไฟล์ข้อมูลระดับจุลภาค (microdata) ขนาดใหญ่และซับซ้อน ซึ่งเทคนิคการปกปิดข้อมูลอย่างง่ายจะทำลายประโยชน์ในการวิเคราะห์ ข้อสมมติฐานหลักคือแบบจำลองการสังเคราะห์จับการแจกแจงร่วมที่เกี่ยวข้อง และการวิเคราะห์ที่ตั้งใจไว้สอดคล้องกับสิ่งที่เครื่องมือสังเคราะห์ถูกออกแบบมาเพื่อสนับสนุน เป็นทางเลือกที่ไม่เหมาะสมเมื่อคำถามวิจัยขึ้นอยู่กับความถูกต้องของเรคคอร์ดระดับบุคคล เมื่อแบบจำลองการสังเคราะห์ระบุผิดพลาด (misspecified) หรือเมื่อการโจมตีเพื่อระบุตัวตนใหม่ (re-identification attacks) ที่ใช้ประโยชน์จากความผิดปกติของการแจกแจงที่ละเอียดอ่อนเป็นข้อกังวลที่ร้ายแรง ทางเลือกอื่น ได้แก่ ความเป็นส่วนตัวเชิงอนุพันธ์ (differential privacy) ห้องข้อมูล (data enclaves) และระบบการเข้าถึงตามการสอบถาม (query-based access systems)

ข้อจำกัดและข้อควรพิจารณา

  • ความถูกต้องของการอนุมานขึ้นอยู่กับการระบุแบบจำลองการสังเคราะห์อย่างถูกต้องเป็นสำคัญ แบบจำลองที่ระบุผิดพลาดจะสร้างข้อมูลสังเคราะห์ที่มีการแจกแจงที่เอนเอียงซึ่งทำให้ผู้ทำการวิเคราะห์เข้าใจผิด
  • กฎการรวมต้องการทราบว่าข้อมูลเป็นแบบสังเคราะห์ทั้งหมด (fully synthetic) หรือสังเคราะห์บางส่วน (partially synthetic) และผลิตสำเนามาจำนวนเท่าใด รายละเอียดเหล่านี้ต้องมาพร้อมกับการเผยแพร่
  • การสร้างข้อมูลสังเคราะห์ที่มีความเที่ยงตรงสูงสำหรับตัวแปรที่มีความเบ้สุดขั้ว หมวดหมู่เบาบาง หรือโครงสร้างตามลำดับชั้นที่ซับซ้อน ยังคงเป็นเรื่องที่ท้าทายทางเทคนิค
  • การโจมตีแบบอนุมานสมาชิก (membership inference) และการเปิดเผยคุณลักษณะ (attribute disclosure) ได้แสดงให้เห็นว่าชุดข้อมูลสังเคราะห์ไม่ได้มีความเป็นส่วนตัวอย่างไม่มีเงื่อนไข การรับประกันความเป็นส่วนตัวอย่างเป็นทางการต้องการกลไกเพิ่มเติม เช่น ความเป็นส่วนตัวเชิงอนุพันธ์

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • เปิดเผยชุดข้อมูลที่สมบูรณ์ในตัวเองซึ่งนักวิเคราะห์สามารถใช้กับซอฟต์แวร์และเวิร์กโฟลว์มาตรฐานได้โดยไม่ต้องใช้โครงสร้างพื้นฐานพิเศษ
  • มีพื้นฐานมาจากกรอบการทำงานแบบเบย์หลายครั้ง (Bayesian multiple-imputation) ที่เข้มงวด ให้การประมาณค่าความแปรปรวนที่ถูกต้องเมื่อใช้กฎการรวมอย่างถูกต้อง
  • สามารถสร้างความสัมพันธ์หลายตัวแปรที่ซับซ้อน การแจกแจงกลุ่มย่อยที่หายาก และโครงสร้างตามกาลเวลาที่วิธีการปกปิดข้อมูลอย่างง่ายบิดเบือนได้
  • ปรับขนาดได้อย่างเป็นธรรมชาติกับข้อมูลระดับจุลภาคที่มีมิติสูง และสามารถรวมข้อมูลสาธารณะเสริมเพื่อปรับปรุงความเที่ยงตรงของเครื่องมือสังเคราะห์ได้

การประยุกต์ใช้

  • หน่วยงานสถิติแห่งชาติที่เผยแพร่ไฟล์ข้อมูลระดับจุลภาคสาธารณะจากสำมะโนประชากรและการสำรวจครัวเรือน ในขณะเดียวกันก็ปกป้องข้อมูลระบุตัวตนของผู้ตอบแบบสอบถาม
  • ระบบสุขภาพที่แบ่งปันเวชระเบียนผู้ป่วยเพื่อการวิจัยทางระบาดวิทยา โดยไม่เปิดเผยข้อมูลสุขภาพที่ได้รับการคุ้มครอง (protected health information) ภายใต้ HIPAA หรือ GDPR
  • สถาบันการเงินที่ผลิตชุดข้อมูลธุรกรรมสังเคราะห์เพื่อการพัฒนาแบบจำลองการตรวจจับการฉ้อโกงและการทดสอบภาวะวิกฤตตามกฎระเบียบ
  • คลังข้อมูลสังคมศาสตร์ที่เสริมชุดข้อมูลตามกาลเวลาที่จำกัดการเข้าถึง ด้วยชุดข้อมูลสังเคราะห์สำหรับการสอนในชั้นเรียน
  • บริษัทเทคโนโลยีที่สร้างบันทึกพฤติกรรมผู้ใช้สังเคราะห์สำหรับการฝึกอบรมและเปรียบเทียบแบบจำลองการเรียนรู้ของเครื่อง (machine-learning models) เมื่อบันทึกจริงมีความละเอียดอ่อนเกินกว่าจะใช้งานได้โดยตรง

วิธีการทำงาน

วิธีการทำงาน

1

แบบจำลองการสร้าง (generative model) ซึ่งมีตั้งแต่แบบจำลองพาราเมตริกแบบเบย์ (Bayesian parametric models) ไปจนถึงการถดถอยแบบลำดับ (sequential regression) หรือโครงข่ายการสร้างแบบลึก (deep generative networks) จะถูกปรับเข้ากับชุดข้อมูลต้นฉบับที่เป็นความลับ เป้าหมายคือการจับการแจกแจงร่วมทั้งหมดของตัวแปรทั้งหมด รวมถึงความสัมพันธ์และลักษณะขอบ (marginal characteristics) เพื่อให้เครื่องมือสังเคราะห์ (synthesizer) เข้ารหัสทุกสิ่งที่นักวิเคราะห์ต้องการสำหรับการอนุมานในขั้นตอนต่อไป

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

แทนที่จะใช้ค่าประมาณจุดเดียว (single point estimate) ของพารามิเตอร์แบบจำลอง ขั้นตอนการสังเคราะห์จะสุ่มเวกเตอร์พารามิเตอร์ใหม่จากความน่าจะเป็นภายหลัง (posterior distribution) ที่กำหนดโดยข้อมูลที่สังเกตได้ ขั้นตอนนี้แบบเบย์จะกระจายความไม่แน่นอนของพารามิเตอร์ไปยังสำเนาสังเคราะห์แต่ละชุด (synthetic replicate) ป้องกันการอนุมานที่มั่นใจเกินไป และจัดแนวกรอบการสังเคราะห์อย่างเป็นทางการกับทฤษฎีการแทนที่หลายครั้ง (multiple-imputation) ของ Rubin

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

โดยใช้เวกเตอร์พารามิเตอร์ที่สุ่มมา ชุดข้อมูลใหม่ทั้งหมดที่มีมิติเท่ากับต้นฉบับจะถูกจำลองขึ้น ขั้นตอนนี้จะทำซ้ำ M ครั้ง (โดยทั่วไป M = 5–20) เพื่อสร้างสำเนาสังเคราะห์อิสระ M ชุด โดยแต่ละชุดสะท้อนการสุ่มที่แตกต่างกันจากความน่าจะเป็นภายหลัง และดังนั้นจึงจับความไม่แน่นอนทั้งหมดที่เกิดจากทั้งความแปรปรวนจากการสุ่มและการประมาณค่าพารามิเตอร์

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

นักวิเคราะห์จะดำเนินการตามขั้นตอนทางสถิติของตนกับชุดข้อมูลสังเคราะห์ M ชุดแต่ละชุด โดยได้รับค่าประมาณจุด M ค่า และค่าประมาณความแปรปรวน สิ่งเหล่านี้จะถูกรวมเข้าด้วยกันโดยใช้กฎการรวม (combining rules) ของ Rubin: ค่าประมาณโดยรวมคือค่าเฉลี่ยของค่าประมาณ M ค่า และความแปรปรวนทั้งหมดจะรวมความแปรปรวนภายในสำเนา (within-replicate variance) เข้ากับส่วนประกอบระหว่างสำเนา (between-replicate component) ที่ปรับสเกลด้วย (M+1)/M ซึ่งให้ช่วงความเชื่อมั่นและความทดสอบสมมติฐานแบบ frequentist ที่ถูกต้อง

สูตร
\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

ข้อผิดพลาดที่พบบ่อย

  • การเผยแพร่สำเนาสังเคราะห์เพียงชุดเดียว (M = 1) ทำให้กรอบการทำงานของกฎการรวมไม่ถูกต้อง และทำให้เกิดข้อผิดพลาดมาตรฐาน (standard errors) ที่มั่นใจเกินไป
  • การปรับแบบจำลองการสังเคราะห์บนกลุ่มตัวอย่างที่ไม่เป็นตัวแทน แล้วสร้างเรคคอร์ดสังเคราะห์ในระดับประชากร จะนำไปสู่ความเอนเอียงที่เป็นระบบซึ่งนักวิเคราะห์อาจตรวจไม่พบ
  • การปฏิบัติต่อข้อมูลสังเคราะห์เสมือนเป็นสิ่งทดแทนที่สมบูรณ์แบบสำหรับข้อมูลจริงในการวิเคราะห์ที่ต้องการความถูกต้องของแต่ละบุคคล เช่น การเชื่อมโยงเรคคอร์ด (record linkage) หรือการกำหนดเป้าหมายระดับจุลภาคตามภูมิศาสตร์ จะนำไปสู่ข้อสรุปที่ผิดพลาดอย่างมีนัยสำคัญ
  • การละเว้นกลุ่มย่อยที่หายากแต่มีความสำคัญในการวิเคราะห์ออกจากแบบจำลองการสังเคราะห์ อาจทำให้กลุ่มเหล่านั้นหายไปหรือบิดเบือนอย่างรุนแรงในผลลัพธ์สังเคราะห์

คำถามที่พบบ่อย

ต้องใช้สำเนาสังเคราะห์ (M) จำนวนเท่าใด?

กฎการรวมของ Rubin ต้องการสำเนาอย่างน้อย M = 2 ชุดเพื่อประมาณค่าความแปรปรวนระหว่างสำเนา ในทางปฏิบัติ M = 5 ถึง 20 เป็นมาตรฐาน: M ที่น้อยเกินไปจะทำให้ค่าประมาณความแปรปรวนสูงขึ้นและลดกำลังทางสถิติ ในขณะที่ M ที่มากเกินไปจะให้ผลตอบแทนที่ลดลง การเลือกค่าที่เหมาะสมขึ้นอยู่กับว่าความแปรปรวนทั้งหมดเกิดจากความไม่แน่นอนของการสังเคราะห์เมื่อเทียบกับความแปรปรวนจากการสุ่มภายในสำเนามากน้อยเพียงใด

ข้อมูลสังเคราะห์เหมือนกับข้อมูลนิรนาม (anonymized data) ภายใต้ GDPR หรือไม่?

โดยทั่วไปแล้วหน่วยงานกำกับดูแลจะปฏิบัติต่อข้อมูลสังเคราะห์ด้วยความระมัดระวัง หากแบบจำลองการสังเคราะห์จดจำหรือประมาณค่าเรคคอร์ดของแต่ละบุคคลอย่างใกล้ชิด ผลลัพธ์อาจยังคงถือเป็นข้อมูลส่วนบุคคล การนิรนามที่แท้จริงภายใต้ GDPR กำหนดให้การระบุตัวตนใหม่เป็นไปไม่ได้อย่างสมเหตุสมผล ข้อมูลสังเคราะห์จะเข้าเกณฑ์นี้ได้ก็ต่อเมื่อมีการแสดงความเสี่ยงในการอนุมานสมาชิกต่ำ (low-membership-inference risk) ที่พิสูจน์ได้ ซึ่งมักจะผ่านการรับประกันความเป็นส่วนตัวเชิงอนุพันธ์ (differential privacy) อย่างเป็นทางการที่ซ้อนทับบนขั้นตอนการสังเคราะห์

ฉันสามารถใช้แบบจำลองการสร้างเชิงลึก (deep generative models) แทนเครื่องมือสังเคราะห์แบบการถดถอยแบบเบย์ได้หรือไม่?

ได้ GANs, VAEs และแบบจำลองการแพร่กระจาย (diffusion models) ได้ถูกนำมาใช้เป็นเครื่องมือสังเคราะห์และสามารถจับความสัมพันธ์ที่ไม่เป็นเชิงเส้นสูงที่แบบจำลองพาราเมตริกพลาดไป อย่างไรก็ตาม แบบจำลองเหล่านี้ขาดการตีความการสุ่มความน่าจะเป็นภายหลัง (posterior sampling) ที่มีหลักการซึ่งเป็นพื้นฐานของกฎการรวมของ Rubin ดังนั้นจึงจำเป็นต้องมีงานเพิ่มเติมเพื่อวัดปริมาณความไม่แน่นอนของการสังเคราะห์ และเพื่อให้แน่ใจว่าการเผยแพร่สำเนา M ชุดจาก GAN จะให้การอนุมานที่ถูกต้อง แทนที่จะเป็นสำเนาที่เกือบจะเหมือนกัน M ชุดจากการแจกแจงเดียวกัน

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว