Улучшение доступности медицинских данных с использованием дифференциальной приватности

В современном мире огромные объемы данных непрерывно собираются, где-то хранятся и анализируются. Часть этих данных содержит персональные данные людей и их личную информацию, из-за чего считаются конфиденциальными и крайне уязвимыми (sensitive). В процессе интеллектуального анализа данных, последующей публикации результатов, агрегированных данных, статистики по ним, или при передаче данных между источниками, постоянно возникают «утечки данных», что в конечном счете может привести к раскрытию персональной информации. Ярким примером такого типа данных являются электронные медицинские карты, истории болезней, и другие коллекции данных о пациентах, собираемые в секторе здравоохранения. С одной стороны, анализ медицинских данных или публикация статистики по заболеваемости расширяет общие знания о здоровье населения, позволяет предсказывать возможные заболевания и предотвращать их на ранних стадиях, проводить исследования по созданию новых лекарств и т.д. Но с другой стороны, доступ с таким данным крайне ограничен, а самих данных не так уж и много, потому что люди неохотно деляться любой информацией, связанной с их здоровьем. Это происходит, главным образом, из-за недоверия к возможным пользователям их личных данных и к потенциальному способу их использования. К сожалению, классические подходы к защите персональных данных, основанные на концепции анонимизации данных, не способны противостоять атакам на пользовательские данные при которых хакеру известна какая-то дополнительная информация об индивидах, чья информация содержится в атакуемой базе (background knowledge attack). В данной работе я рассматриваю популярный, на текущий момент, математический подход, обеспечивающий надежную защиту данных против такого рода атак и называемый дифференциальной приватностью. Целью моего исследования было эмпирически поверить возможность обеспечить конфиденциальным данным необходимый уровень защиты и одновременно сохранить их ценность в использовании при анализе. В частности, моим фокусом была практическая реализация некоторых алгоритмов машинного обучения способных обеспечить дифференциальную приватность данных, используемых в этих моделях. В результате было показано, что для конкретных задач качество статистических алгоритмов остается на приемлемом уровне, в то время как конфиденциальность индивидов (пациентов), на чьих данных происходило обучение моделей, сохраняется.