RAPID: Risk of Attribute Prediction-Induced Disclosure in Synthetic Microdata

तकनीकी सारांश: RAPID (एट्रिब्यूट प्रेडिक्शन-प्रेरित प्रकटीकरण का जोखिम)

1. समस्या विवरण

जैसे-जैसे सांख्यिकीय डेटा अनामीकरण (anonymization) वास्तविक रिकॉर्ड्स को बदलने के बजाय पूर्णतः सिंथेटिक माइक्रोडाटा उत्पन्न करने की ओर बढ़ रहा है, पारंपरिक गोपनीयता मेट्रिक्स जो पहचान प्रकटीकरण (पुनः पहचान) पर केंद्रित थे, कम प्रासंगिक होते जा रहे हैं। उच्च-सटीकता वाले सिंथेटिक डेटा के युग में प्राथमिक खतरा अनुमानित (या भविष्य कहनेवाला) प्रकटीकरण (inferential or predictive disclosure) है: एक हमलावर जारी किए गए सिंथेटिक डेटा का उपयोग करके एक मशीन लर्निंग मॉडल को प्रशिक्षित करता है, जिसे फिर वास्तविक व्यक्तियों के 'क्वासी-आइडेंटिफायर' (quasi-identifiers) पर लागू किया जाता है ताकि उनके संवेदनशील गुणों (sensitive attributes) का सटीक अनुमान लगाया जा सके।

मौजूदा डायग्नोस्टिक्स अक्सर इस कारण विफल हो जाते हैं क्योंकि:

• मैच-आधारित उपाय (जैसे, यह जांचना कि क्या सिंथेटिक रिकॉर्ड वास्तविक रिकॉर्ड से बिल्कुल मेल खाते हैं) भविष्य कहने वाली शक्ति (predictive power) को नहीं पकड़ पाते हैं।
• कुल सटीकता मेट्रिक्स (जैसे, MSE या Accuracy) "उपयोगी" सांख्यिकीय पैटर्न और "खतरनाक" व्यक्तिगत-स्तर के रिसाव के बीच अंतर नहीं कर पाते हैं।
• वर्ग असंतुलन (Class imbalance) के कारण जोखिम का अत्यधिक आकलन हो सकता है यदि कोई मॉडल केवल संयोग से एक बार-बार आने वाले वर्ग (frequent class) की सही भविष्यवाणी करता है।

2. कार्यप्रणाली (Methodology)

लेखक RAPID का प्रस्ताव करते हैं, जो एक परिदृश्य-आधारित, हमलावर-यथार्थवादी अनुभवजन्य डायग्नोस्टिक है जो यह मात्रा निर्धारित करता है कि कितनी बार एक हमलावर आत्मविश्वास के साथ सही अनुमान लगा सकता है।

थ्रेट मॉडल (Threat Model):
एक हमलावर के पास लक्षित व्यक्तियों के लिए जारी किया गया सिंथेटिक डेटा $Z^{(s)}$ और उनके क्वासी-आइडेंटिफायर $X_Q$ उपलब्ध हैं, लेकिन उनके पास संवेदनशील गुणों $y$ या अन्य गैर-सार्वजनिक चरों तक पहुंच नहीं है।

RAPID फ्रेमवर्क:
मुख्य नवाचार एक बेसलाइन (जो जनसंख्या के मार्जिनल वितरण का प्रतिनिधित्व करती है या "प्रायर") के विरुद्ध हमलावर के पूर्वानुमान की तुलना करना है।

• वर्गीकृत गुणों (Categorical Attributes) के लिए:

  1. हमलावर वास्तविक क्लास $y_i$ की संभावना $g_i$ की भविष्यवाणी करने के लिए सिंथेटिक डेटा पर एक मॉडल $M$ को प्रशिक्षित करता है।
  2. एक बेसलाइन $b_i$ की गणना मूल डेटा में क्लास $y_i$ की मार्जिनल फ्रीक्वेंसी के रूप में की जाती है।
  3. एक सामान्यीकृत लाभ स्कोर (normalized gain score) की गणना की जाती है: $r_i = \frac{g_i - b_i}{1 - b_i}$। यह मापता है कि हमलावर क्लास प्रवलता (class prevalence) के आधार पर यादृच्छिक अनुमान लगाने की तुलना में कितना बेहतर प्रदर्शन कर रहा है।
  4. एक रिकॉर्ड "जोखिम में" माना जाता है यदि $r_i$ एक नीति-निर्धारित थ्रेशोल्ड $\tau$ (डिफ़ॉल्ट $\tau = 0.3$) से अधिक हो।

• सतत गुणों (Continuous Attributes) के लिए:

  1. हमलावर एक मान $\hat{y}_i$ की भविष्यवाणी करता है।
  2. एक त्रुटि मेट्रिक $e_i$ (जैसे, सिमेट्रिक रिलेटिव एरर) की गणना की जाती है।
  3. एक रिकॉर्ड "जोखिम में" है यदि त्रुटि $e_i$ एक निर्दिष्ट सहनशीलता (tolerance) $\epsilon$ (डिफ़ॉल्ट $\epsilon = 10\%$) के भीतर है।

अंतिम मेट्रिक: RAPID "जोखिम में" चिह्नित कुल रिकॉर्डों का अनुपात है।

3. मुख्य योगदान

1. एकीकृत फ्रेमवर्क: बिना किसी मनमाने बिनिंग (binning) के, दोनों डिस्क्रीट और कंटीन्यूअस संवेदनशील चरों के लिए एक सुसंगत गणितीय दृष्टिकोण प्रदान करता है।
2. बेसलाइन-सामान्यीकृत स्कोरिंग: क्लास प्रवलता के विरुद्ध सामान्यीकरण करके, यह मेट्रिक क्लास असंतुलन के प्रति मजबूत (robust) है, यह सुनिश्चित करता है कि जोखिम केवल तभी रिपोर्ट किया जाए जब मॉडल वास्तविक सूचना लाभ (information gain) प्रदान करता है।
3. रिकॉर्ड-स्तरीय सूक्ष्मता (Granularity): एग्रीगेट मेट्रिक्स के विपरीत, RAPID यह पहचानता है कि कौन से विशिष्ट रिकॉर्ड या जनसांख्यिकीय उपसमूह (जैसे, विशिष्ट आयु/शिक्षा संयोजन) सबसे अधिक असुरक्षित हैं, जिससे लक्षित शमन (mitigation) संभव होता है।
4. नीति-व्याख्या योग्य मेट्रिक: इसका आउटपुट एक सीमित $[0, 1]$ मान (जोखिम वाले व्यक्तियों का अनुपात) है, जिससे डेटा स्टुवर्ड्स के लिए नियामकों को जोखिम समझाने में आसानी होती है।
5. कार्यान्वयन: एक ओपन-सोर्स R पैकेज जो सामान्य सिंथेटिक डेटा जनरेटर (जैसे, synthpop) के साथ एकीकृत होता है।

4. परिणाम और सत्यापन

• वास्तविक-विश्व चित्रण (UCI Adult Dataset): एक CART-आधारित सिंथेसाइज़र का उपयोग करते हुए, लेखकों ने पाया कि आय स्तरों के लिए लगभग 72% रिकॉर्ड एट्रिब्यूट इन्फरेंस के जोखिम में थे। इसने प्रदर्शित किया कि उच्च-उपयोगिता वाला सिंथेटिक डेटा (जो आय-संबंधी पैटर्न को संरक्षित करता है) स्वाभाविक रूप से उच्च प्रकटीकरण जोखिम वहन करता है।
• सिमुलेशन अध्ययन:
  • निर्भरता की शक्ति (Dependency Strength): RAPID ने सही ढंग से एक S-आकार का संबंध दिखाया: जैसे-जैसे क्वासी-आइडेंटिफायर और संवेदनशील गुणों के बीच सहसंबंध बढ़ता है, जोखिम तेजी से बढ़ता है और अंततः संतृप्त (saturate) हो जाता है।
  • थ्रेशोल्ड संवेदनशीलता: लेखकों ने प्रदर्शित किया कि $\tau$ (वर्गीकृत) या $\epsilon$ (सतत) का चयन डेटा क्यूरेटर्स को उनके विशिष्ट जोखिम सहनशीलता के अनुसार मेट्रिक को ट्यून करने की अनुमति देता है।
  • एट्रीब्यूशन (Attribution): RAPID स्कोर पर रिग्रेशन विश्लेषण ने सफलतापूर्वक पहचाना कि कौन से क्वासी-आइडेंटिफायर (जैसे, शिक्षा और आयु) प्रकटीकरण जोखिम के प्राथमिक चालक थे।

5. महत्व

RAPID जोखिम-उपयोगिता (Risk-Utility - RU) ट्रेड-ऑफ ढांचे में एक महत्वपूर्ण अंतर को भरता है। जबकि डिफरेंशियल प्राइवेसी (DP) मेंबरशिप इन्फरेंस के खिलाफ औपचारिक गणितीय गारंटी प्रदान करती है, यह उन जनसंख्या-स्तर के अनुमानों की सटीकता को सीधे सीमित नहीं करती है जो अभी भी व्यक्तियों को नुकसान पहुँचा सकते हैं।

RAPID DP के एक व्यावहारिक पूरक के रूप में कार्य करता है। यह डेटा क्यूरेटर्स को सैद्धांतिक सीमाओं से आगे बढ़ने और एक व्यावहारिक प्रश्न पूछने की अनुमति देता है: "यदि मैं यह डेटा जारी करता हूँ, तो कितने लोगों के संवेदनशील गुणों का मशीन लर्निंग मॉडल द्वारा सटीक अनुमान लगाया जा सकेगा?" यह स्वास्थ्य सेवा और सामाजिक विज्ञान जैसे क्षेत्रों में उच्च-उपयोगिता वाले सिंथेटिक माइक्रोडाटा के जिम्मेदार रिलीज के लिए इसे एक आवश्यक उपकरण बनाता है।