Resumen Técnico: RAPID (Risk of Attribute Prediction–Induced Disclosure)

1. El Problema: El Dilema de la Utilidad vs. Privacidad en Datos Sintéticos

Con el auge de los datos micro-sintéticos (datasets donde todos los registros son simulados), los métodos tradicionales de anonimización centrados en la reidentificación (evitar que un individuo sea vinculado a un registro) han perdido relevancia. El riesgo principal ha mutado hacia la divulgación por inferencia de atributos.

El problema fundamental es que los generadores de datos sintéticos de alta fidelidad buscan preservar las relaciones estadísticas y dependencias entre variables para mantener la utilidad analítica. Sin embargo, estas mismas dependencias permiten que un adversario entrene un modelo predictivo con los datos sintéticos y lo aplique a individuos reales (usando sus identificadores cuasi-esenciales o quasi-identifiers) para inferir con alta precisión sus atributos sensibles (ej. ingresos, enfermedades, estado civil).

2. Metodología: El Marco RAPID

RAPID propone una medida de riesgo basada en un modelo de ataque realista y empírico. A diferencia de la Privacidad Diferencial (DP), que ofrece garantías formales de estabilidad, RAPID cuantifica la vulnerabilidad realizada bajo un escenario de ataque específico.

El Modelo de Ataque

Se asume un adversario que:

1. Tiene acceso a los datos sintéticos liberados.
2. Conoce los identificadores cuasi-esenciales ($X_Q$) de los individuos reales.
3. Entrena un modelo predictivo ($M$) utilizando únicamente los datos sintéticos.
4. Aplica dicho modelo a los $X_Q$ reales para predecir el atributo sensible ($y$).

Cálculo del Riesgo

La innovación de RAPID radica en que no mide la precisión bruta, sino la ganancia de información sobre una línea base (baseline), lo que lo hace robusto ante el desequilibrio de clases.

• Para Atributos Categóricos:
  Se calcula una puntuación de ganancia normalizada ($r_i$) para cada registro:
  $$r_i = \frac{g_i - b_i}{1 - b_i}$$
  Donde $g_i$ es la probabilidad que el modelo asigna a la clase verdadera y $b_i$ es la prevalencia marginal de esa clase en los datos originales. Un registro se considera "en riesgo" si $r_i$ supera un umbral de política $\tau$ (por defecto 0.3).

• Para Atributos Continuos:
  Se utiliza un error de predicción relativo (simétrico o estabilizado). Un registro está en riesgo si el error $e_i$ es menor a un umbral de tolerancia $\epsilon$ (por defecto 10%).

Métrica Final: RAPID es la proporción de registros en el dataset original que superan estos umbrales de riesgo.

3. Contribuciones Clave

1. Medida de Riesgo Basada en el Atacante: Proporciona un diagnóstico empírico que refleja lo que un atacante con capacidades de Machine Learning realmente podría lograr.
2. Normalización por Línea Base: Al comparar la confianza del modelo contra la prevalencia de la clase, evita falsos positivos en distribuciones sesgadas (donde una clase es muy común).
3. Marco Unificado: Permite evaluar tanto variables categóricas como continuas bajo una misma lógica de "umbral de riesgo".
4. Análisis a Nivel de Registro: A diferencia de las métricas agregadas (como el error cuadrático medio), RAPID identifica qué individuos o subgrupos específicos son más vulnerables, permitiendo mitigaciones dirigidas.
5. Implementación en Software: Se incluye una implementación en R que permite realizar análisis de sensibilidad y cuantificación de incertidumbre mediante bootstrapping.

4. Resultados y Validación

El estudio valida RAPID mediante dos vías:

• Datos Reales (UCI Adult Dataset): Al aplicar un sintetizador CART a datos de ingresos, RAPID detectó que aproximadamente el 72% de los registros presentaban un riesgo de inferencia significativo ($\tau = 0.3$). Esto demuestra que la alta utilidad predictiva del dataset conlleva un riesgo de divulgación masivo.
• Simulaciones:
  • Se demostró que el riesgo RAPID escala de forma sigmoidea con la fuerza de la dependencia entre variables.
  • Se observó una transición de curvas convexas a cóncavas según la fuerza de la dependencia, lo que ayuda a entender la "certeza" del atacante.
  • El análisis de atribución permitió identificar que combinaciones específicas de edad y educación eran los principales motores del riesgo.

5. Significado e Implicaciones

RAPID no pretende reemplazar a la Privacidad Diferencial, sino complementarla. Mientras la DP garantiza que la inclusión de un individuo no cambie significativamente el resultado, RAPID responde a la pregunta práctica de los custodios de datos: "¿Qué tan probable es que un atacante pueda inferir información sensible de mis ciudadanos usando estos datos sintéticos?"

Es una herramienta de toma de decisiones que permite navegar el compromiso entre utilidad y privacidad, ayudando a decidir si un dataset debe ser liberado, si requiere más ruido, o si debe restringirse su acceso.