Statistics-Friendly Confidentiality Protection for Establishment Data, with Applications to the QCEW

1. Il Problema

La protezione della riservatezza dei dati aziendali (dati di stabilimento) è un'area sottostudiata rispetto ai dati personali. I metodi tradizionali, come la soppressione delle celle (usata dal Bureau of Labor Statistics - BLS per il Quarterly Census of Employment and Wages o QCEW), soffrono di una grave perdita di utilità: circa il 60% delle statistiche viene oscurato per prevenire inferenze sensibili.

Le tecniche di privacy formale standard, come la Differenziale Privata (DP) classica, sono progettate per proteggere contro l'inferenza di appartenenza (membership inference), ovvero impedire di capire se un individuo è presente nel dataset. Tuttavia, per i dati aziendali:

• L'esistenza di grandi aziende è spesso di dominio pubblico.
• Le grandi aziende sono "outlier" cruciali per le statistiche economiche; nasconderne l'impatto renderebbe i dati inutili.
• Le soluzioni esistenti di "DP personalizzata" assegnano parametri di privacy peggiori alle grandi aziende, creando un problema di equità politica (alcune entità hanno protezioni più deboli di altre).

Il vero rischio nei dati aziendali non è l'inferenza di appartenenza, ma l'inferenza di attributi troppo precisi (es. il numero esatto di dipendenti o lo stipendio totale). Gli attaccanti possono già avere stime approssimative (es. da report pubblici o osservazioni sul campo); l'obiettivo è impedire che i dati pubblicati affilino queste stime oltre un certo margine di errore accettabile.

2. Metodologia: Gaussian Establishment DP (gedp)

Gli autori propongono un nuovo framework chiamato Gaussian Establishment DP (gedp), basato sulla Metric Differential Privacy e sulla Gaussian Differential Privacy (GDP).

A. Definizione di Privacy e Funzione Vicino ($\psi$)

Invece di definire i vicini come dataset che differiscono per un singolo record (come nella DP classica), il framework introduce una funzione vicino ($\psi$) che definisce intervalli di incertezza attorno ai valori reali degli attributi confidenziali.

• Concetto chiave: Due record sono considerati "vicini" se i loro valori confidenziali sono "vicini" nello spazio trasformato da $\psi$.
• Scelta di $\psi$: Gli autori propongono di utilizzare la radice quadrata ($\psi(x) = \sqrt{x}$).
  • Questo garantisce che l'errore assoluto di protezione aumenti con la dimensione dello stabilimento (proteggendo meglio i grandi numeri), mentre l'errore relativo diminuisca (proteggendo meglio i piccoli numeri).
  • Questo si allinea con la realtà statistica: un attaccante che stima i dipendenti di una piccola azienda ha un errore assoluto basso ma relativo alto; per una grande azienda, l'errore assoluto è alto ma relativo basso.
  • A differenza della trasformazione logaritmica ($\psi(x) = \log x$), che impone un errore relativo costante (sottoproteggendo i piccoli e sovrapproteggendo i grandi), $\sqrt{x}$ offre un compromesso più naturale e statisticamente solido.

B. Meccanismi di Risposta alle Query

Vengono proposti due meccanismi per rispondere a query di gruppo (es. somma totale per contea e settore):

1. $\psi$-mechanism:

   • Applica la trasformazione $\psi$ ai dati, aggiunge rumore gaussiano, e poi inverte la trasformazione.
   • Svantaggio: La varianza del rumore è dipendente dai dati reali e non può essere rilasciata esattamente senza compromettere la privacy. Questo rende difficile per gli statistici valutare l'affidabilità delle risposte e creare microdati di alta qualità.

2. pnc-mechanism (Probably-No-Clipping):

   • È un meccanismo ibrido che si basa sul primo.
   • Prima calcola un limite superiore probabilistico per ogni singolo stabilimento (usando una query di identità con il $\psi$-mechanism).
   • Aggrega i dati "troncando" i valori individuali a questi limiti superiori.
   • Aggiunge rumore gaussiano basato sulla sensibilità del gruppo (che ora è determinata dal limite superiore, non dal valore reale).
   • Vantaggio cruciale: La varianza del rumore aggiunto è pubblicamente rilasciabile e sicura. Questo permette agli statistici di calcolare stime non distorte e di creare microdati protetti di alta qualità.

3. Contributi Chiave

• Nuova Definizione di Privacy (gedp): Un modello di privacy specifico per i dati aziendali che protegge contro l'inferenza di attributi troppo precisi, utilizzando intervalli di incertezza scalati in base alla dimensione dell'azienda.
• Scelta Ottimale di $\psi$: Dimostrazione teorica ed empirica che la radice quadrata è superiore al logaritmo per i dati aziendali, allineandosi meglio con le capacità di inferenza degli attaccanti e con i requisiti di politica pubblica.
• Meccanismo pnc: Un nuovo algoritmo che permette di rilasciare la varianza del rumore, risolvendo il problema della distorsione (bias) nella creazione di microdati sintetici protetti.
• Validazione su Dati Reali: Applicazione e test su un dataset QCEW confidenziale reale (tramite accordo con il BLS) e su un dataset sintetico ricostruito da fonti pubbliche.

4. Risultati Sperimentali

Gli autori hanno valutato i loro metodi su dati reali (QCEW storico) e sintetici (New Jersey e Rhode Island), confrontando il $\psi$-mechanism, il pnc-mechanism e la DP classica (GDP).

• Accuratezza: Il pnc-mechanism ha dimostrato prestazioni superiori rispetto al $\psi$-mechanism, specialmente per aggregazioni di alto livello (es. totali statali).
  • La DP classica (GDP) ha prodotto errori così grandi da rendere i dati inutilizzabili.
  • Il pnc-mechanism riduce significativamente il bias e la varianza degli errori rispetto al $\psi$-mechanism, poiché la varianza del rumore è nota e può essere utilizzata per correggere le stime.
• Microdati: La capacità di rilasciare la varianza con il pnc-mechanism permette di generare microdati protetti di alta qualità, che possono essere utilizzati per creare nuove tabelle statistiche senza consumare ulteriore budget di privacy.
• Robustezza: I risultati mostrano che il framework mantiene un buon equilibrio tra privacy e utilità, preservando l'accuratezza per i grandi aggregati (cruciali per l'economia) mentre protegge adeguatamente i piccoli stabilimenti.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale per la modernizzazione della divulgazione dei dati statistici economici negli USA e a livello globale.

• Interpretabilità per i Policy Maker: Il framework offre garanzie di privacy che sono intuitive per gli statistici (intervalli di incertezza) e politiche (protezione proporzionale alla dimensione, non discriminatoria).
• Superamento della Soppressione delle Celle: Offre un'alternativa formalmente rigorosa alla soppressione delle celle, potenzialmente riducendo drasticamente la quantità di dati oscurati (attualmente >60% nel QCEW) e migliorando l'utilità dei dati pubblici.
• Fondamento per Futuri Sistemi: La capacità di generare microdati protetti con varianza nota apre la strada a nuove analisi economiche e politiche basate su dati più granulari e affidabili.

In sintesi, il paper propone una soluzione matematicamente solida e pragmaticamente efficace per bilanciare la necessità di proteggere la riservatezza delle imprese con l'esigenza di fornire dati economici precisi e utili per il pubblico e i ricercatori.