It does what it says on the tin: safe synthetic data from coarsened margins

Resumen Técnico: Datos Sintéticos a partir de Márgenes Coarsecidos (Agrupados)

Planteamiento del Problema
El artículo aborda el desafío de ampliar el acceso a datos administrativos sensibles en posesión de las Agencias Nacionales de Estadística (NSAs), manteniendo estrictamente la privacidad individual. Los métodos actuales para crear Datos Completamente Sintéticos (FSD) suelen depender de complejos modelos de aprendizaje automático que carecen de transparencia respecto a qué relaciones entre variables se preservan. Además, existe un consenso creciente de que los datos sintéticos generados a partir de datos reales pueden seguir planteando riesgos de divulgación, particularmente si el proceso de generación no está rigurosamente controlado. Aunque los Entornos de Investigación Confiables (TREs) ofrecen una solución segura, suelen ser difíciles de acceder, inhiben el trabajo colaborativo y ralentizan la planificación de la investigación y el desarrollo de código. Los enfoques existentes de datos sintéticos de baja fidelidad (que preservan únicamente distribuciones univariantes) son insuficientes para la planificación de la investigación o la enseñanza, mientras que los métodos de alta fidelidad a menudo no proporcionan una garantía de que los datos estén libres de riesgo de divulgación.

Metodología
El autor propone un método para generar datos sintéticos (SD) que garantiza dos ventajas primordiales: transparencia respecto a las relaciones preservadas y la garantía de que los datos se derivan de información que ya ha sido juzgada como libre de riesgo de divulgación. El proceso consta de los siguientes pasos:

1. Curación de Datos y Control de Divulgación (SDC): Los datos originales de Verdad de Terreno (GT) se procesan para aplicar medidas estándar de SDC (por ejemplo, top-coding, bottom-coding, combinación de categorías pequeñas).
2. Definición de Márgenes: Se seleccionan tablas marginales específicas (tabulaciones cruzadas de variables) para definir las relaciones que se mantendrán en los datos sintéticos. El artículo sugiere comenzar con todos los márgenes de dos vías.
3. Coarsecimiento (Agrupación) y Ajuste: Para asegurar que los propios márgenes no sean divulgativos, los recuentos en las tablas se someten a un proceso de "coarsecimiento". Todos los recuentos de celdas se ajustan para que sean múltiplos de un límite de divulgación específico (por ejemplo, 10). Los recuentos por debajo del límite se redondean hacia arriba al límite, y se realizan ajustes posteriores para asegurar que los recuentos totales en los márgenes sean consistentes con el tamaño de la muestra original (o se ajustan mediante una sustracción fija para minimizar la desviación). Este paso asegura que, incluso si los márgenes se publican, ningún individuo pueda ser identificado mediante diferenciación o sustracción.
4. Ajuste Proporcional Iterativo (IPF): Los márgenes ajustados y coarsecidos se utilizan como restricciones para el algoritmo de Ajuste Proporcional Iterativo (IPF). Este algoritmo genera una distribución de probabilidad conjunta que se ajusta de la mejor manera posible a los márgenes especificados.
5. Síntesis: Se genera uno o más conjuntos de datos sintéticos mediante el muestreo de la distribución multinomial definida por las proporciones ajustadas por el IPF.

Contribuciones Clave

• Transparencia: A diferencia de los métodos de síntesis de aprendizaje automático de "caja negra", este enfoque define explícitamente qué relaciones de variables (márgenes) se preservan. El usuario sabe exactamente qué estructuras se mantienen.
• Privacidad Garantizada: El método garantiza que los datos sintéticos se derivan de márgenes que ya han sido procesados para cumplir con estándares específicos de control de divulgación. Al coarrecer los recuentos para que sean múltiplos del límite de divulgación, se mitiga el riesgo de reidentificación mediante la diferenciación de tablas.
• Flujo de Trabajo Práctico: El artículo proporciona un flujo de trabajo concreto y paso a paso para la creación de tales datos, ilustrado mediante los datos del Censo de Escocia de 1901. Demuestra que el algoritmo IPF puede converger incluso cuando los márgenes ajustados son técnicamente incompatibles debido al proceso de redondeo/coarsecimiento.

Resultados
El método fue probado utilizando 11 variables del Censo de Escocia de 1901 (51,064 registros). Se generaron tres versiones de datos sintéticos y se compararon con la Verdad de Terreno (GT):

1. Control de Divulgación: Celdas pequeñas reemplazadas con un valor fijo (9).
2. Coarsecido: Recuentos redondeados a múltiplos de 10.
3. Coarsecido y Ajustado: Recuentos coarrecidos ajustados además para alinear los totales con el tamaño de la muestra original.

• Métricas de Utilidad: La utilidad se midió utilizando el Error Cuadrático Medio de la Puntuación de Propensión Estandarizada (SpMSE). Todos los métodos produjeron valores de SpMSE muy por debajo del umbral de 10 (donde los valores >10 indican diferencias mayores). El método "Coarrecido y Ajustado" arrojó los valores de SpMSE más bajos, lo que indica la mayor fidelidad a la estructura de los datos originales.
• Ajuste de Modelo: Se ajustaron modelos de regresión logística para predecir el empleo doméstico de sirvientes tanto en los GT como en los datos sintéticos. Los resultados, incluyendo los signos de los coeficientes y los solapamientos de los intervalos de confianza (media del 68%), fueron consistentes en ambos conjuntos de datos.
• Convergencia: El algoritmo IPF convergió con éxito a pesar de la incompatibilidad introducida por los pasos de coarsecimiento y ajuste.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como un ejercicio de "prueba de concepto" más que como una solución definitiva para todas las necesidades de datos sintéticos. El autor afirma que este método ofrece un enfoque conservador, transparente y computacionalmente factible para generar datos sintéticos que puedan ser liberados de forma segura fuera de los Entornos de Investigación Confiables.

La significancia reside en su potencial para facilitar:

• Planificación de la Investigación: Permitir a los investigadores comprender las estructuras de las variables y formular planes antes de acceder a entornos seguros.
• Enseñanza: Crear conjuntos de datos para la formación de investigadores sobre estructuras de datos sin exponerlos a datos reales sensibles.
• Desarrollo de Código: Permitir la escritura y depuración de código de análisis antes del acceso a la Verdad de Terreno.

El artículo reconoce limitaciones, como la memoria computacional requerida para tabulaciones cruzadas de alta dimensión (el ejemplo requirió aproximadamente 50 millones de celdas) y el riesgo teórico de que algoritmos potentes puedan realizar ingeniería inversa de las tablas coarrecidas. Sin embargo, argumenta que la transparencia del método y la seguridad pre-validada de los márgenes de origen lo convierten en una alternativa viable a los enfoques actuales de alto riesgo o baja utilidad. El autor señala que el método comparte similitudes con el trabajo del grupo de Manchester, pero enfatiza su enfoque específico en el coarsecimiento de los márgenes como mecanismo de control de divulgación.