[논문 리뷰] Strategies to facilitate access to detailed geocoding information using synthetic data

Jörg Drechsler, Jingchen Hu|arXiv (Cornell University)|2018. 03. 15.

Data-Driven Disease Surveillance참고 문헌 20인용 수 3

한 줄 요약

이 논문은 대규모 행정 데이터베이스에서 상세한 지도정보를 공유하는 전략으로 합성 데이터 생성을 평가한다. 이는 개인 수준의 기밀성을 유지하면서 수행된다. 연구는 확장 가능한 합성 모델이 분석적 타당성을 유지하면서 유출 위험을 줄임을 입증하며, 통계청이 더 강력한 보호가 필요할 경우 다중 변수를 합성하는 것을 우선시할 것을 제안한다.

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.

연구 동기 및 목표

• 대규모 행정 데이터베이스에서 상세한 지도정보를 외부 접근 가능하게 하되, 개인 수준의 기밀성이 손상되지 않도록 합성 데이터가 안전하게 기능할 수 있는지 평가하기 위해.
• 다양한 합성 모델이 분석적 타당성을 유지하면서 유출 위험을 최소화하는 데 얼마나 효과적으로 작용하는지 평가하기 위해.
• IAB의 통합 고용 역학 데이터와 같은 거대 규모 데이터셋에 적합한 확장 가능한 합성 지도정보 생성 전략을 개발하기 위해.
• 통계청이 상세한 지리적 정보의 합성 데이터 공개를 고려할 경우 실행 가능한 권고 사항을 제공하기 위해.

제안 방법

• 연구는 IAB의 통합 고용 역학 데이터베이스에서 실제 지도정보 데이터를 기반으로 여러 생성 모델(합성 모델)을 평가한다.
• 거리 정확도, 공간 집합성, 변수 상관관계 유지 등의 지표를 사용해 분석적 타당성을 측정한다.
• 효율적 데이터 분할 및 모델 최적화를 통해 수백만 건의 레코드를 처리할 수 있도록 합성 모델을 확장한다.
• 합성 모델이 지도정보만 처리하는 것과 지도정보에 추가 변수까지 합성하는 경우의 유출 위험을 시뮬레이션 기반 위험 평가를 통해 비교한다.
• 모델 선택 및 설정을 안내하기 위해 위험-편익 트레이드오프 프레임워크를 통합한다.
• 온라인 보충 자료를 활용해 보조 변수까지 합성하면, 지도정보만 합성하는 경우에 비해 보호 수준이 크게 향상됨을 입증한다.

실험 결과

연구 질문

• RQ1 대규모 행정 데이터베이스에서 상세한 지도정보를 공유할 때 합성 데이터 생성이 분석적 타당성과 유출 위험 간 효과적으로 균형을 이루는가?
• RQ2 다양한 합성 모델은 대규모 지도정보 데이터에서 공간 정확도와 변수 간 관계를 얼마나 잘 유지하는가?
• RQ3 수백만 건의 레코드를 포함한 지도정보 데이터셋에 합성 모델을 적용할 때 발생하는 확장성 문제와 그 해결 방법은 무엇인가?
• RQ4 지역 집계 수준의 지리정보만 제공하는 것이 합성과 결합될 경우, 유출 보호를 실제로 향상시키는가?
• RQ5 통계청이 더 강력한 개인정보 보호를 위해 지도정보 외에 추가 변수까지 합성하는 것을 고려해야 할 조건은 무엇인가?

주요 결과

• 합성 데이터 생성은 핵심 공간 및 인구통계 지표에서 높은 분석적 타당성을 유지하면서도, 상세한 지도정보의 안전한 공개를 가능하게 한다.
• 확장 가능한 합성 모델은 IAB의 통합 고용 역학 데이터베이스와 같은 대규모 행정 데이터베이스에 효과적으로 적용될 수 있으며, 데이터 유용성 손실이 크지 않다.
• 지역 집계 수준의 지리정보만 제공하는 것은 합성과 함께 사용할 경우, 개인 수준의 지도정보가 여전히 노출되는 한 상당한 보호 향상 효과를 내지 못한다.
• 지역정보 외에 추가 변수까지 합성하면, 지도정보만 합성하는 경우에 비해 유출 보호 수준이 크게 향상된다.
• 연구는 통계청이 위험-편익 트레이드오프 기반으로 합성 모델을 선택하고 설정할 수 있는 프레임워크를 제공하며, 실행에 적합한 명확한 권고 사항을 제시한다.