Editor Top
Ejemplo de aplicación del método propuesto de recopilación de datos para preservar la privacidad. Crédito: Transacciones IEEE en computación confiable y segura (2022). DOI: 10.1109/TDSC.2022.3174887
Para controlar pandemias como la nueva infección por coronavirus (COVID-19), se requieren datos como la edad, el sexo, la composición familiar y el historial médico de las personas infectadas. Si bien los propios pacientes pueden proporcionar esta información a las instituciones médicas, estos detalles son altamente confidenciales.
Si los datos se manejan adecuadamente para proteger la privacidad, se pueden compartir con investigadores de todo el mundo sin identificar a la persona infectada, lo que puede ayudar a aclarar el estado de la pandemia y predecir con mayor precisión su progresión.
Puede haber valores faltantes en la información proporcionada por los pacientes, y los métodos existentes no tienen en cuenta estos valores faltantes al recopilar datos personales y garantizar la privacidad. Esto está conduciendo a una reducción significativa en la precisión del análisis de datos.
La privacidad diferencial, la métrica de protección de la privacidad abordada en este documento, es adoptada por muchas organizaciones, incluidas Apple, Google, Microsoft y LINE. Se han propuesto numerosos métodos para recopilar y analizar datos personales basados en la Privacidad Diferencial. Sin embargo, ninguno de los métodos existentes tiene en cuenta la presencia de valores perdidos.
Al considerar los datos médicos, como durante la pandemia de COVID-19, es concebible que diferentes hospitales puedan obtener información diferente, y muchos pacientes pueden sentirse cómodos proporcionando solo algunos datos después del procesamiento de protección de la privacidad. Con la metodología actual, la precisión del análisis se reduce considerablemente en tales escenarios, lo que ha impedido un análisis de datos suficiente para la mitigación de la pandemia.
El profesor Sei ha demostrado que el uso del modelo Copula, utilizado principalmente en el campo de las finanzas, puede restaurar el verdadero modelo estadístico a partir de los datos procesados por la tecnología de privacidad diferencial incluso en situaciones con muchos valores faltantes, lo que permite un análisis de datos de alta precisión. Por supuesto, él prueba matemáticamente que la privacidad de cada individuo está estrictamente protegida exactamente al mismo nivel que los métodos existentes.
En la sociedad real, los datos suelen tener varios elementos faltantes. Al usar el método propuesto, no solo la información médica, sino también diversa información social y personal con valores perdidos se puede analizar de forma segura y con gran precisión. Por lo tanto, se espera que esta investigación tenga un impacto significativo en la sociedad.
El estudio se publica en la revista Transacciones IEEE en computación confiable y segura.
Más información:
Yuichi Sei et al, Recopilación y análisis de datos colaborativos para preservar la privacidad con muchos valores perdidos, Transacciones IEEE en computación confiable y segura (2022). DOI: 10.1109/TDSC.2022.3174887
Proporcionado por la Universidad de Electro-Comunicaciones
Citación: El estudio aborda la recopilación y el análisis de datos colaborativos para preservar la privacidad con muchos valores faltantes (7 de julio de 2023) recuperado el 7 de julio de 2023 de https://techxplore.com/news/2023-07-privacy-preserving-collaborative-analysis-values. html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
