[論文レビュー] Strategies to facilitate access to detailed geocoding information using synthetic data

Jörg Drechsler, Jingchen Hu|arXiv (Cornell University)|Mar 15, 2018

Data-Driven Disease Surveillance参考文献 20被引用数 3

ひとこと要約

本稿は、大規模な行政データベースからの詳細なジオコーディング情報の共有を、機微性を保持するという観点から合成データ生成戦略として評価する。スケーラブルな合成器が分析的妥当性を維持するとともに漏洩リスクを低減することを示し、より強い保護が求められる場合には複数変数の合成を優先すべきであるという提言を行う。

ABSTRACT

In this paper we investigate if generating synthetic data can be a viable strategy for providing access to detailed geocoding information for external researchers without compromising the confidentiality of the units included in the database. This research was motivated by a recent project at the Institute for Employment Research (IAB) in Germany that linked exact geocodes to the Integrated Employment Biographies, a large administrative database containing several million records. Based on these data we evaluate the performance of several synthesizers in terms of addressing the trade-off between preserving analytical validity and limiting the risk of disclosure. We propose strategies for making the synthesizers scalable for such large files, present analytical validity measures for the generated data and provide general recommendations for statistical agencies considering the synthetic data approach for disseminating detailed geographical information.We also illustrate that the commonly used disclosure avoidance strategy of providing geographical information only on an aggregated level will not offer substantial improvements in disclosure protection if coupled with synthesis. As we show in the online supplement accompanying this manuscript that synthesizing additional variables should be preferred if the level of protection from synthesizing only the geocodes is not considered sufficient.

研究の動機と目的

• 大規模な行政データベースからの詳細なジオコーディング情報の外部アクセスを、個別単位の機微性を損なわず安全に可能にするために、合成データが有効であるかを評価すること。
• さまざまな合成器が、漏洩リスクを最小限に抑えつつ分析的妥当性を維持する性能を評価すること。
• IABの統合的雇用履歴データセットのような大規模データセットに適した、スケーラブルな合成ジオコーディングの生成戦略を開発すること。
• 詳細な地理的情報の合成データによる公開を検討する統計機関に対して、実行可能な提言を提供すること。

提案手法

• 本研究は、IABの統合的雇用履歴データベースからの実際のジオコーディングデータを用いて、複数の生成モデル（合成器）を評価する。
• 距離の正確性、空間的クラスタリング、変数間相関の保持といった指標を用いて、分析的妥当性を測定する。
• 効率的なデータ分割とモデル最適化を活用して、数百万件のレコードを処理できるように合成器をスケーリングする。
• シミュレーションベースのリスク評価を用いて、ジオコーディングのみを合成する場合と、ジオコーディングに加えて追加変数も合成する場合の漏洩リスクを比較する。
• モデル選択と設定を支援するため、リスク・ユーティリティのトレードオフフレームワークを組み込む。
• オンライン補足資料を用いて、補助変数の合成が、ジオコーディングのみの合成で不十分な場合に保護の向上を著しくもたらすことを示す。

実験結果

リサーチクエスチョン

• RQ1 大規模な行政データベースからの詳細なジオコーディング情報の共有において、合成データ生成が分析的妥当性と漏洩リスクの両立を効果的に実現できるか？
• RQ2 さまざまな合成器は、大規模なジオコーディングデータにおいて、空間的正確性と変数間関係をどの程度維持できるか？
• RQ3 数百万件のレコードを含むジオコーディングデータセットに合成器を適用する際のスケーラビリティ上の課題は何か。また、それらはどのように解決できるか？
• RQ4 集計レベルでの地理的情報提供は、合成と併用した場合、漏洩保護を顕著に向上させるか？
• RQ5 統計機関が、より強いプライバシー保護を実現するため、ジオコーディングを越えて追加変数の合成を拡大すべき状況はどのようなものか？

主な発見

• 合成データ生成により、主要な空間的・人口統計的指標において高い分析的妥当性を維持しつつ、詳細なジオコーディング情報の安全な共有が可能になる。
• スケーラブルな合成器は、IABの統合的雇用履歴データセットのような大規模な行政データベースに効果的に適用可能であり、データの有用性の著しい損失なしに運用できる。
• 集計レベルでの地理的情報提供のみでは、合成と併用した場合でも、漏洩保護が顕著に向上しない。特に、個人レベルのジオコーディングが依然として露出している場合には顕著である。
• ジオコーディングに加えて追加の変数を合成することは、ジオコーディングのみの合成でリスクが不十分とされる場合に、漏洩保護を著しく強化する。
• 本研究は、リスク・ユーティリティのトレードオフに基づいて合成器の選定と設定を支援するフレームワークを提供しており、実装に向けた明確な提言を含む。