[논문 리뷰] COVI White Paper.

Hannah Alsdurf, Yoshua Bengio외 21명|arXiv (Cornell University)|2020. 05. 18.

COVID-19 Digital Contact Tracing참고 문헌 93인용 수 16

한 줄 요약

COVI는 접근성과 지속 기간 데이터를 기반으로 개인의 감염 위험을 추정하는 기계학습을 사용하는 탈중앙화되고 프라이버시를 보장하는 모바일 접촉 추적 앱으로, 조기에 위험 인식을 가능하게 하고 개인 맞춤형 공중보건 권고를 제공하며, 신원을 특정할 수 없는 집계된 데이터를 통해 역학 모델링을 지원한다.

ABSTRACT

The SARS-CoV-2 (Covid-19) pandemic has caused significant strain on public health institutions around the world. Contact tracing is an essential tool to change the course of the Covid-19 pandemic. Manual contact tracing of Covid-19 cases has significant challenges that limit the ability of public health authorities to minimize community infections. Personalized peer-to-peer contact tracing through the use of mobile apps has the potential to shift the paradigm. Some countries have deployed centralized tracking systems, but more privacy-protecting decentralized systems offer much of the same benefit without concentrating data in the hands of a state authority or for-profit corporations. Machine learning methods can circumvent some of the limitations of standard digital tracing by incorporating many clues and their uncertainty into a more graded and precise estimation of infection risk. The estimated risk can provide early risk awareness, personalized recommendations and relevant information to the user. Finally, non-identifying risk data can inform epidemiological models trained jointly with the machine learning predictor. These models can provide statistical evidence for the importance of factors involved in disease transmission. They can also be used to monitor, evaluate and optimize health policy and (de)confinement scenarios according to medical and economic productivity indicators. However, such a strategy based on mobile apps and machine learning should proactively mitigate potential ethical and privacy risks, which could have substantial impacts on society (not only impacts on health but also impacts such as stigmatization and abuse of personal data). Here, we present an overview of the rationale, design, ethical considerations and privacy strategy of `COVI,' a Covid-19 public peer-to-peer contact tracing and risk awareness mobile application developed in Canada.

연구 동기 및 목표

• SARS-CoV-2 패닉 기간 동안 수동 접촉 추적의 한계를 해결하여 더 빠르고 스케일업 가능하며 정확도가 높은 위험 평가를 가능하게 한다.
• 중앙 집중식 데이터 저장을 피함으로써 사용자 프라이버시를 보존하는 피어 투 피어 접촉 추적 시스템을 개발한다.
• 근접도와 지속 시간과 같은 노출에 관한 다수의 불확실한 단서를 조합하여 기계학습을 통해 위험 추정을 향상시킨다.
• 기계학습 예측자와 함께 공동 모델링을 통해 전파 요인에 대한 통계적 증거를 생성함으로써 공중보건 정책 평가 및 해제 조치 계획 수립을 지원한다.
• 데이터 오용, 낙인, 프라이버시 침해 등의 윤리적 위험을 사전에 대응하여 사회적 신뢰와 도입을 보장한다.

제안 방법

• 노출 로그를 사용자 기기의 로컬 저장소에 보관하는 탈중앙화 아키텍처를 구현하여 중앙 집중식 데이터 수집을 최소화한다.
• 블루투스 기반의 근접도 감지 기술을 사용하여 사용자 간 상호작용을 기록하며, 시간 스탬프와 신호 세기 조정 데이터를 활용해 노출 위험을 추정한다.
• 기계학습 모델을 적용하여 상호작용 패턴을 분석하고 불확실성 및 맥락적 단서를 바탕으로 단계적이고 개인 맞춤형 감염 위험 점수를 부여한다.
• 사용자로부터의 신원을 특정할 수 없는 위험 데이터를 집계하여 전파 역학을 평가하고 정책 영향을 분석하는 역학 모델을 훈련한다.
• 개인 위험 수준에 맞춰 자가 격리 또는 검사 지침과 같은 공중보건 권고와 위험 예측을 통합한다.
• 엔드 투 엔드 암호화 및 최소한의 데이터 보관 기간을 포함한 프라이버시 우선 설계 원칙을 통합하여 오용을 방지하고 사용자 자율성을 보장한다.

실험 결과

연구 질문

• RQ1 기계학습은 단순한 근접도 로깅을 넘어서 디지털 접촉 추적의 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 탈중앙화 시스템은 효과적인 대응을 가능하게 하면서도 공중보건 신뢰를 유지할 수 있는 정도는 어느 정도인가?
• RQ3 신원을 특정할 수 없는 위험 데이터는 역학 모델을 정교화하고 공중보건 정책을 안내하는 데 어떤 역할을 할 수 있는가?
• RQ4 모바일 기반의 접촉 추적 시스템에서 낙인과 데이터 남용 등의 윤리적 위험은 어떻게 완화할 수 있는가?
• RQ5 피어 투 피어 모델은 프라이버시를 훼손하지 않으면서도 중앙 집중식 시스템과 동등한 효과를 달성할 수 있는가?

주요 결과

• COVI 시스템은 기계학습을 통해 근접도와 지속 시간과 같은 불확실성과 맥락적 요소를 통합하여 개인 맞춤형 감염 위험 추정을 가능하게 한다.
• 탈중앙화된 데이터 저장은 대규모 감시와 데이터 유출의 위험을 줄여 사용자 프라이버시와 신뢰를 강화한다.
• 사용자로부터의 신원을 특정할 수 없는 위험 데이터는 전파 요인 평가 및 공중보건 개입 평가를 위한 역학 모델 훈련에 활용될 수 있다.
• 기계학습과 공중보건 모델링의 통합은 주요 전파 원인에 대한 통계적 증거를 제공하여 데이터 기반 정책 결정을 지원한다.
• 시스템의 프라이버시 우선 설계 접근 방식은 낙인과 데이터 오용의 위험을 완화하여 공중 보편적 도입 가능성을 높인다.
• 이 프레임워크는 의료 및 경제 생산성 지표를 활용하여 (해제)봉쇄 전략의 동적 모니터링 및 최적화를 지원한다.