기술 요약: 공공 보건을 위한 개인정보 보호 강화 기술 (PETs) 사례 연구

1. 문제 정의 (Problem Statement)

팬데믹과 같은 공중보건 위기에 효과적으로 대응하기 위해서는 질병 확산 추적, 이동 패턴 매핑, 인간 행동 변화 관리 등을 위한 세분화되고 다양하며 시의적절한 데이터가 필수적입니다. 그러나 다음과 같은 주요 장벽이 존재했습니다:

• 데이터 접근성 부족: 금융 거래 데이터와 같은 민감한 민간 부문 데이터는 개인정보 보호 및 상업적 기밀 문제로 인해 연구 및 정책 수립에 활용하기 어려웠습니다.
• 규제 강화: 전 세계적으로 데이터 보호 법규가 강화되면서 기존 데이터 통합 및 분석 방식의 한계가 드러났습니다.
• 데이터 소스의 단편화: 전통적인 데이터 수집 방법은 다양한 소스를 통합하는 데 한계가 있어 실시간 의사결정을 저해했습니다.

이 프로젝트는 **차분한 프라이버시 **(Differential Privacy, DP)와 같은 PETs 를 적용하여 금융 거래 데이터를 포함한 크로스 도메인 데이터를 안전하게 통합하고, 공중보건 의사결정을 지원할 수 있는지를 평가하는 것을 목표로 했습니다.

2. 방법론 (Methodology)

2.1. 데이터 생성 및 프라이버시 보호 프레임워크

실제 금융 데이터의 민감성을 고려하여, **실제 데이터를 노출하지 않으면서도 현실적인 패턴을 반영하는 합성 데이터 **(Synthetic Data)를 생성하는 프로세스를 개발했습니다.

• 합성 데이터 구조: Mastercard 와 협력하여 실제 거래 형식을 모방한 데이터 사전 (Data Dictionary) 을 설계했습니다. (ID, 상점 카테고리, 우편번호, 온라인/오프라인 구분, 거래 금액, 거래 건수 등 포함).
• 실제 세계 정보 통합: Medellin, Bogota, Brasilia, Santiago 등 특정 도시의 인구 분포를 반영하고, 'Our World in Data'의 COVID-19 데이터 (새로운 사망자 수) 를 기반으로 거래 행동의 변화를 시뮬레이션했습니다.
• 프라이버시 보호 알고리즘 적용: OpenDP 라이브러리를 활용하여 합성 데이터 자체에서도 원본 데이터 추론이 불가능하도록 **차분한 프라이버시 **(DP)를 적용했습니다. Gaussian 노이즈를 추가하여 개별 식별성을 차단하면서도 통계적 유틸리티를 유지했습니다.

2.2. 활용 사례 (Use Cases) 정의

프로젝트는 팬데믹 관리의 5 가지 핵심 시나리오를 정의하고 이를 해결하기 위한 도구 개발을 유도했습니다:

1. 역학 기법 강화: 합성 금융 데이터를 역학 분석에 통합.
2. **접촉 패턴 추론 **(WAIFW) Who Acquires Infection From Whom 행렬 구축.
3. **실시간 유효 재생산 수 **(Rt) 거래 기반 접촉 패턴을 통한 Rt 추정 정밀화.
4. 행동 편향 완화: 행동 변화로 인한 Nowcasting(단기 예측) 편향 교정.
5. 예측 모델링: 합성 데이터를 예측 변수로 활용한 전염병 곡선 예측.

2.3. 솔루션 개발 (Tools & Frameworks)

6 개의 글로벌 팀이 참여하여 다음과 같은 도구와 프레임워크를 개발했습니다:

• **핫스팟 탐지 **(Hotspot Detection) DP 를 적용하여 오프라인 거래 데이터를 기반으로 고위험 지역 (인구 밀집 지역) 을 시각화하고 자원 배분을 최적화.
• **이동성 분석 **(Mobility Analysis) 소매/레크리에이션, 식료품, 교통 수단 등 카테고리별 거래 데이터를 분석하여 이동 패턴을 추적 (Google Mobility 데이터와 비교 검증).
• 팬데믹 준수 분석: 필수재 vs 사치재 지출 변화를 분석하여 정책 준수 여부 및 경제적 영향을 모니터링.
• 접촉 행렬 추정: 머신러닝을 통해 연령대별 소비 패턴을 분석하고 연령대 간 접촉 빈도 행렬을 추정.
• DPEpiNN 및 EpiDP 프레임워크:
  • DPEpiNN: 이질적인 데이터셋 (거래, 이동성 등) 을 통합하여 DP 를 적용한 신경망 기반 전염병 예측 모델.
  • EpiDP: 공변량 시계열 데이터를 통합하여 실시간 Rt 추정을 개선하는 오픈 소스 패키지.

3. 주요 결과 (Key Results)

• 실시간 행동 패턴 파악의 가능성 입증: 합성 금융 거래 데이터와 이동성/공중보건 데이터의 결합이 Nowcasting(현재 상황 진단) 및 Forecasting(미래 예측) 에 유의미한 예측력을 제공함을 확인했습니다.
  • 핫스팟 탐지: 고밀도 상호작용 지역을 식별하여 백신 및 검사 자원 배분 효율성 증대.
  • 이동성 분석: 봉쇄 조치 등의 정책 효과를 객관적으로 평가하고 감염 추이 예측.
• 접촉 행렬 및 Rt 추정 개선: 금융 데이터를 통해 연령대별 접촉 빈도를 추정하고, 이를 역학 모델 (SIR, SEIR 등) 에 통합하여 Rt 추정의 정확도를 높일 수 있음을 보였습니다.
• 편향 교정: 새로운 '사망자 수'를 역학 지표로 사용할 때, '새로운 확진자 수'를 사용할 때보다 거래 패턴과의 상관관계가 더 안정적이고 정책적 의사결정에 적합함을 발견했습니다. (Omicron 변이 등 확진자 급증 시 사망자 수와 불일치 현상 해소).
• 모델 성능:
  • **TUM **(Technical University of Munich) 지도학습 (Informed user) 과 비지도학습 (Uninformed user) 모두에서 DP-SGD 를 적용한 이상 탐지 모델이 높은 정확도를 보임.
  • UVA/Georgia Tech/AZ: LSTM 기반의 결합 신경망 모델을 통해 전염병 특성 추정 및 개입 효과 (Counterfactual analysis) 분석 성공.

4. 주요 기여 (Key Contributions)

1. 프라이버시 보호형 합성 데이터 생성 파이프라인: 실제 민감 데이터를 노출하지 않으면서도 역학적 분석에 활용 가능한 고품질 합성 금융 데이터셋 생성 방법론 확립.
2. 크로스 도메인 데이터 통합 프레임워크: 금융 데이터와 공중보건 데이터를 DP 기술을 통해 안전하게 결합하여 새로운 통찰을 도출하는 방법론 제시.
3. 개방형 도구 및 프레임워크 개발:
   • DP-epidemiology 패키지 (핫스팟, 이동성, 접촉 행렬 분석).
   • DPEpiNN (심층 신경망 기반 전염병 모델).
   • EpiDP (Rt 추정 개선 도구).
4. 실용적 활용 사례 (Use Cases) 구체화: 핫스팟 탐지, 이동성 정책 평가, 행동 준수 모니터링 등 구체적인 공중보건 의사결정 지원 시나리오 제시.

5. 의의 및 시사점 (Significance)

• 데이터 공유의 패러다임 전환: 민간 기업의 민감한 데이터 (금융 거래 등) 가 PETs 기술을 통해 공익 목적 (공중보건) 으로 안전하게 활용될 수 있음을 입증했습니다. 이는 "데이터 소유권은 개인에게, 데이터 활용은 사회에"라는 마스터카드의 원칙을 실현한 사례입니다.
• 규제 준수와 혁신의 균형: GDPR 등 강화된 데이터 보호 법규 하에서도 차분한 프라이버시 (Differential Privacy) 를 통해 데이터 통합 분석이 가능함을 보여주었습니다.
• 미래 공중보건 대응의 기초: 향후 팬데믹이나 기타 공중보건 위기 시, 실시간 데이터 기반의 신속한 의사결정 (Resource Allocation, Policy Adjustment) 을 지원하는 표준 프레임워크를 마련했습니다.
• 학계와 산업계의 협력 모델: 데이터.org, Mastercard, 하버드 대학, OpenDP, Javeriana 대학 등 다양한 이해관계자의 협력을 통해 기술적 난제를 해결하고 실용적인 솔루션을 도출한 성공적인 생태계 모델입니다.

결론적으로, 본 연구는 PETs 를 적용한 합성 금융 데이터가 공중보건 분야에서 단순한 이론적 가능성을 넘어, 실제 질병 확산 예측, 정책 효과 분석, 자원 배분 최적화 등에 실질적으로 기여할 수 있음을 입증했습니다. 이는 향후 데이터 기반 사회 영향 (Social Impact) 프로젝트의 새로운 표준이 될 것으로 기대됩니다.