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

Resumo Técnico: Dados Sintéticos a partir de Margens Arredondadas (Coarsened Margins)

Definição do Problema
O artigo aborda o desafio de ampliar o acesso a dados administrativos sensíveis detidos por Agências de Estatística Nacional (NSAs), mantendo rigorosamente a privacidade individual. Os métodos atuais para a criação de Dados Totalmente Sintéticos (FSD) dependem frequentemente de modelos complexos de aprendizado de máquina que carecem de transparência quanto a quais relações entre variáveis são preservadas. Além disso, há um consenso crescente de que os dados sintéticos gerados a partir de dados reais ainda podem apresentar riscos de divulgação, particularmente se o processo de geração não for rigorosamente controlado. Embora os Ambientes de Pesquisa Confiáveis (TREs) ofereçam uma solução segura, eles são frequentemente difíceis de acessar, inibem o trabalho colaborativo e retardam o planejamento da pesquisa e o desenvolvimento de códigos. As abordagens existentes de dados sintéticos de baixa fidelidade (que preservam apenas distribuições univariadas) são insuficientes para o planejamento de pesquisas ou ensino, enquanto os métodos de alta fidelidade muitas vezes falham em fornecer uma garantia assegurada de que os dados estão livres de risco de divulgação.

Metodologia
O autor propõe um método para gerar dados sintéticos (SD) que garante duas vantagens primordiais: transparência em relação às relações preservadas e a garantia de que os dados derivam de informações já julgadas livres de risco de divulgação. O processo envolve as seguintes etapas:

1. Curadoria de Dados e Controle de Divulgação (SDC): Os dados originais da Verdade de Campo (GT) são processados para aplicar medidas padrão de SDC (ex: top-coding, bottom-coding, combinação de categorias pequenas).
2. Definição de Margens: Tabelas marginais específicas (cruzamentos de variáveis) são selecionadas para definir as relações que serão mantidas nos dados sintéticos. O artigo sugere iniciar com todas as margens de duas vias.
3. Arredondamento (Coarsening) e Ajuste: Para garantir que as próprias margens não sejam divulgativas, as contagens nas tabelas são submetidas a um processo de "arredondamento" (coarsening). Todas as contagens de células são ajustadas para serem múltiplos de um limite de divulgação específico (ex: 10). Contagens abaixo do limite são arredondadas para cima até o limite, e ajustes subsequentes são feitos para garantir que as contagens totais nas margens permaneçam consistentes com o tamanho da amostra original (ou sejam ajustadas por uma subtração fixa para minimizar o desvio). Esta etapa garante que, mesmo que as margens sejam publicadas, nenhum indivíduo possa ser identificado através de diferenciação ou subtração.
4. Ajuste Proporcional Iterativo (IPF): As margens ajustadas e arredondadas são usadas como restrições para o algoritmo de Ajuste Proporcional Iterativo (IPF). Este algoritmo gera uma distribuição de probabilidade conjunta que melhor se ajusta às margens especificadas.
5. Síntese: Um ou mais conjuntos de dados sintéticos são gerados através da amostragem da distribuição multinomial definida pelas proporções ajustadas pelo IPF.

Principais Contribuições

• Transparência: Ao contrário dos métodos de síntese de aprendizado de máquina de "caixa preta", esta abordagem define explicitamente quais relações de variáveis (margens) são preservadas. O usuário sabe exatamente quais estruturas são mantidas.
• Privacidade Garantida: O método garante que os dados sintéticos sejam derivados de margens que já foram processadas para atender a padrões específicos de controle de divulgação. Ao arredondar as contagens para múltiplos do limite de divulgação, o risco de reidentificação via diferenciação de tabelas é mitigado.
• Fluxo de Trabalho Prático: O artigo fornece um fluxo de trabalho concreto, passo a passo, para a criação de tais dados, ilustrado usando os dados do Censo de 1901 da Escócia. Demonstra que o algoritmo IPF consegue convergir mesmo quando as margens ajustadas são tecnicamente incompatíveis devido ao processo de arredondamento/coarsening.

Resultados
O método foi testado usando 11 variáveis do Censo de 1901 da Escócia (51.064 registros). Três versões de dados sintéticos foram geradas e comparadas com a Verdade de Campo (GT):

1. Controle de Divulgação: Pequenas células substituídas por um valor fixo (9).
2. Arredondado (Coarsened): Contagens arredondadas para múltiplos de 10.
3. Arredondado e Ajustado (Coarsened and Adjusted): Contagens arredondadas e posteriormente ajustadas para alinhar os totais com o tamanho da amostra original.

• Métricas de Utilidade: A utilidade foi medida usando o Erro Quadrático Médio do Escore de Propensão Padronizado (SpMSE). Todos os métodos produziram valores de SpMSE bem abaixo do limite de 10 (onde valores >10 indicam diferenças significativas). O método "Arredondado e Ajustado" apresentou os menores valores de SpMSE, indicando a maior fidelidade à estrutura dos dados originais.
• Ajuste de Modelo: Modelos de regressão logística prevendo o emprego doméstico de criados foram ajustados tanto para a GT quanto para os dados sintéticos. Os resultados, incluindo os sinais dos coeficientes e a sobreposição dos intervalos de confiança (média de 68%), foram consistentes entre ambos os conjuntos de dados.
• Convergência: O algoritmo IPF convergiu com sucesso, apesar da incompatibilidade introduzida pelos passos de arredondamento e ajuste.

Significância e Alegações
O artigo posiciona este trabalho como um exercício de "prova de conceito" em vez de uma solução definitiva para todas as necessidades de dados sintéticos. O autor afirma que este método oferece uma abordagem conservadora, transparente e computacionalmente viável para gerar dados sintéticos que possam ser liberados com segurança fora de Ambientes de Pesquisa Confiáveis.

A significância reside no seu potencial para facilitar:

• Planejamento de Pesquisa: Permitindo que pesquisadores compreendam as estruturas das variáveis e formulem planos antes de acessar ambientes seguros.
• Ensino: Criando conjuntos de dados para treinar pesquisadores sobre estruturas de dados sem expô-los a dados reais sensíveis.
• Desenvolvimento de Código: Permitindo a escrita e depuração de códigos de análise antes do acesso à Verdade de Campo (GT).

O artigo reconhece limitações, como a memória computacional necessária para tabelas cruzadas de alta dimensão (o exemplo exigiu ~50 milhões de células) e o risco teórico de que algoritmos poderosos possam realizar engenharia reversa das tabelas arredondadas. No entanto, argumenta que a transparência do método e a segurança pré-validada das margens de origem tornam-no uma alternativa viável às atuais abordagens de alto risco ou baixa utilidade. O autor observa que o método compartilha semelhanças com o trabalho do grupo de Manchester, mas enfatiza seu foco específico no arredondamento das margens como um mecanismo de controle de divulgação.