[論文レビュー] Synthetic Data for Social Good

Bill Howe, Julia Stoyanovich+3 more|arXiv (Cornell University)|Oct 24, 2017

Privacy-Preserving Technologies in Data参考文献 20被引用数 50

ひとこと要約

論文は DataSynthesizer を紹介します。これは機微なデータから構造的かつ統計的に類似したデータセットを生成できるプライバシー保護型の合成データ生成器で、強力なプライバシー保証と最小限のユーザー入力で、アドホックな協力を可能にします。

ABSTRACT

Data for good implies unfettered access to data. But data owners must be conservative about how, when, and why they share data or risk violating the trust of the people they aim to help, losing their funding, or breaking the law. Data sharing agreements can help prevent privacy violations, but require a level of specificity that is premature during preliminary discussions, and can take over a year to establish. We consider the generation and use of synthetic data to facilitate ad hoc collaborations involving sensitive data. A good synthetic dataset has two properties: it is representative of the original data, and it provides strong guarantees about privacy. In this paper, we discuss important use cases for synthetic data that challenge the state of the art in privacy-preserving data generation, and describe DataSynthesizer, a dataset generation tool that takes a sensitive dataset as input and generates a structurally and statistically similar synthetic dataset, with strong privacy guarantees, as output. The data owners need not release their data, while potential collaborators can begin developing models and methods with some confidence that their results will work similarly on the real dataset. The distinguishing feature of DataSynthesizer is its usability - in most cases, the data owner need not specify any parameters to start generating and sharing data safely and effectively. The code implementing DataSynthesizer is publicly available on GitHub at https://github.com/DataResponsibly. The work on DataSynthesizer is part of the Data, Responsibly project, where the goal is to operationalize responsibility in data sharing, integration, analysis and use.

研究の動機と目的

• 全データ共有契約を伴わずに、機微データの迅速で安全な協力を促進・実現するため、完全なデータ共有契約を必要としない動機づけと実現。
• 実践的なツール（DataSynthesizer）を説明し、強力なプライバシー保証を伴う合成データセットを生成する。
• 三つの運用モード（相関、独立、ランダム）を提示し、それらが現実性とプライバシーのバランスをどのように取るかを説明する。
• 最小限のユーザー入力で利用できる使いやすさ機能を強調し、合成データ品質を検査する仕組みを提供する。
• 現実世界のデータ共有とガバナンスへの拡張と潜在的な適用可能性について論じる。

提案手法

• プライベートなCSVデータセットから属性タイプと分布を DataDescriber モジュールを介して推定する。
• 学習した確率モデルから差分プライバシーのノイズを用いてサンプリングして合成データを生成する。
• データ合成の3モードを提供する: 差分プライバシー付きベイジアンネットワークを用いた相関属性モード、DPヒストグラムを用いた独立属性モード、型の一貫性を保つランダムモード。
• 派生したモデルをデータセット記述ファイルとして保存し、サンプルして任意のサイズの合成データセットを作成する。
• インターフェイス（Jupyter/Web UI）と、元データと合成データの分布や相関を比較するビジュアライゼーションツールを提供する。
• プライバシーフレームワーク（差分プライバシー）との統合と、繰り返しクエリを制限するために各ユーザーごとにユニークなシードを設定する根拠を説明する。）

実験結果

リサーチクエスチョン

• RQ1 どのようにして機微データセットから合成データを生成し、代表性とプライバシー保護を両立させることができるか？
• RQ2 相関モード、独立モード、ランダムモードは分布の保持と属性間相関の保持にどう影響するか？
• RQ3 正式なデータ共有契約が整う前に、合成データは初期段階の協力を加速できるか？
• RQ4 データ ownership が最小限の設定で合成データセットを生成・共有できるようにするために、どんなユーザビリティ機能が不可欠か？

主な発見

• DataSynthesizer は、入力データと構造的・統計的に類似した合成データセットを、強力なプライバシー保証とともに生成できる。
• 三つの運用モードは、相関の保存度が高い相関ベイズネットワーク、独立属性モードの DP ノイズ、ランダムモードの型整合性の値という異なるプライバシー・有用性のトレードオフを提供する。
• このツールはデータセット記述ファイルを生成し、任意のサイズの合成データのサンプリングをサポートする。
• 元データと合成データの分布や相関の類似性を評価するための組み込みデータ比較ビューを提供する。
• このアプローチはオープンソースで、データを生成・共有する作業を安全に開始するための最小限のユーザー入力を想定して設計されている。