Jaringan sintetis dapat meningkatkan ketersediaan beberapa data sambil tetap melindungi privasi individu atau institusi, menurut ahli statistik Negara Penn.
"Ketertarikan utama saya adalah mengembangkan metodologi yang memungkinkan berbagi data rahasia secara lebih luas dengan cara yang dapat membantu dalam penemuan ilmiah," kata Aleksandra Slavkovic, profesor statistik dan dekan untuk pendidikan pascasarjana, Eberly College of Science, Penn State. "Mampu berbagi data rahasia dengan risiko minimal yang dapat diukur untuk penemuan informasi sensitif dan tetap memastikan akurasi dan integritas statistik, adalah tujuannya."
Slavkovic telah menemukan solusi untuk masalah privasi data ini melalui kolaborasi interdisipliner, terutama dengan ilmuwan komputer dan sosial. Penelitiannya berfokus pada berbagai data, termasuk data jaringan yang menangkap informasi hubungan antara entitas seperti individu atau institusi. Dia melaporkan pendekatannya untuk menyediakan jaringan sintetis yang memenuhi gagasan privasi diferensial hari ini (16 Februari) selama pertemuan tahunan 2019 Asosiasi Amerika untuk Kemajuan Ilmu Pengetahuan di Washington, DC
Privasi diferensial memberikan jaminan yang dapat dibuktikan secara matematis dari tingkat kehilangan privasi bagi individu.
Para ilmuwan ingin akses ke data yang dikumpulkan oleh orang lain untuk penelitian mereka, tetapi akses tersebut juga dapat membahayakan privasi pribadi, bahkan setelah penghapusan apa yang disebut data yang dapat diidentifikasi secara pribadi.
"Kelimpahan data tambahan adalah penyebab utama," kata Slavkovic. "Dengan kemajuan metodologis dan teknologi dalam pengumpulan data dan hubungan catatan, akses yang lebih mudah ke berbagai sumber data yang dapat dihubungkan dengan dataset di tangan, dan persyaratan lembaga pendanaan untuk berbagi data, risiko terhadap privasi data meningkat. Tetapi, menemukan yang baik solusi untuk mengelola kehilangan privasi sangat penting untuk memungkinkan penemuan ilmiah yang baik. "
Informasi yang tersedia secara publik dari uji coba obat pada obat HIV, misalnya, akan menunjukkan siapa yang berada dalam kelompok perlakuan dan siapa yang berada dalam kelompok kontrol. Kelompok pengobatan hanya akan berisi orang yang didiagnosis dengan HIV dan meskipun pemilik data menahan rincian pribadi dari kumpulan data tersebut, beberapa informasi pengidentifikasi akan tetap ada. Karena begitu banyak informasi saat ini tersedia online di media sosial dan dalam kumpulan data lain, dimungkinkan untuk menghubungkan titik-titik dan mengidentifikasi orang, yang berpotensi mengungkapkan status HIV mereka.
"Teknik untuk menghubungkan dua set data, katakanlah catatan pemilih dan data asuransi kesehatan, telah sangat meningkat," kata Slavkovic. "Dalam salah satu temuan paling awal, Latanya Sweeny (sekarang di Harvard) menunjukkan bahwa dengan menghubungkan jenis data ini, Anda dapat mengidentifikasi 87 persen orang di Sensus AS dari tahun 1990 berdasarkan tanggal lahir, jenis kelamin dan 5 digit kode pos. Baru-baru ini, peneliti menggunakan tweet dan metadata Twitter terkait untuk menunjukkan bahwa mereka dapat mengidentifikasi pengguna dengan akurasi 96,7 persen. "
Slavkovic mencatat bahwa bukan hanya orang atau lembaga yang datanya terkandung dalam basis data, tetapi orang-orang di luar basis data juga dapat menderita karena pelanggaran privasi, langsung atau oleh asosiasi. Keterkaitan antara informasi dalam dataset dan informasi di media sosial dapat mengarah pada pelanggaran privasi yang serius - sesuatu seperti status HIV atau orientasi seksual dapat berakibat parah jika diungkapkan.
Meskipun privasi itu penting, kumpulan data yang dikumpulkan menjadi sumber informasi penting bagi para peneliti. Saat ini, dalam beberapa kasus ketika data sangat sensitif, para peneliti harus secara fisik pergi ke repositori data untuk melakukan penelitian mereka, membuat penelitian lebih sulit dan mahal.
Slavkovic tertarik pada data jaringan. Informasi yang menunjukkan keterkaitan orang atau lembaga - simpul - dan koneksi antar simpul. Pendekatannya adalah membuat set data jaringan mirror yang sedikit diubah, dengan beberapa node dipindahkan, koneksi bergeser atau ujung diubah.
"Tujuannya adalah untuk menciptakan jaringan baru yang memenuhi persyaratan privasi diferensial ketat dan pada saat yang sama menangkap sebagian besar fitur statistik dari jaringan asli," kata Slavkovic.
Kumpulan data sintetik ini mungkin cukup bagi beberapa peneliti untuk memenuhi kebutuhan penelitian mereka. Bagi yang lain, itu akan cukup untuk menguji pendekatan dan hipotesis mereka sebelum harus pergi ke situs penyimpanan data. Peneliti dapat menguji kode, melakukan penelitian eksplorasi dan mungkin analisis dasar sambil menunggu izin untuk menggunakan data asli di situs repositori.
"Kami tidak dapat memenuhi permintaan untuk semua analisis statistik dengan jenis data yang diubah yang sama," kata Slavkovic. "Beberapa orang akan membutuhkan data asli, tetapi yang lain mungkin membutuhkan data sintetis seperti jaringan sintetis."
