- INSTRUMENTO Fondo Sectorial de Investigación a Partir de Datos
- BENEFICIARIO Sergio Yovine : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 1000000
- FECHA DE INICIO 01.04.2020
- DURACIÓN 18 meses
- AÑO CONVOCATORIA 2018
- CÓDIGO FSDA_1_2018_1_154419
- FASE CERRADO
- ESTADO Terminado
Los grandes volúmenes de datos disponibles y el aumento de la capacidad de cómputo han habilitado el uso de algoritmos que aprenden de los datos con la finalidad de construir modelos predictivos valiosos para tomar decisiones más inteligentes. Sin embargo, las organizaciones enfrentan un problema mayor al intentar extraer valor de los datos, y es que estos no son fáciles de publicar o transferir, en la medida que contienen, en muchos casos, información privada. En consecuencia, la anonimización de los datos es vital. Una práctica habitual de anonimización consiste en remover información personal identificable (por ejemplo, nombre y apellido, número de cédula, números de teléfono, etc.). Varios trabajos han mostrado que es posible identificar a personas a partir de datos anonimizados de esta manera. Con el fin de subsanar las debilidades de estas técnicas básicas de anonimización y volver la reidentificación más difícil, una alternativa es introducir aleatoriedad a los datos. Uno de los enfoques más desarrollados de anonimización aleatoria es la privacidad diferencial. Sin embargo, varios trabajos científicos dan cuenta que el posterior análisis predictivo mediante modelos de aprendizaje entrenados con datos anonimizados con privacidad diferencial sufre de inconvenientes importantes, en particular se ha observado una reducción significativa de la utilidad predictiva. Este proyecto se enfoca en técnicas de anonimización aleatoria conscientes del contexto que buscan lograr un mejor compromiso entre privacidad y utilidad incorporando información contextual proveniente del conjunto de datos. El reto inherente a la adopción de estas técnicas es que requiere conocer las distribuciones conjuntas de variables públicas y privadas. Sin embargo, esta información casi nunca está presente en la práctica. Para paliar esta dificultad, el objetivo del proyecto es investigar un enfoque basado en el aprendizaje automático de distribuciones mediante redes generativas antagónicas y evaluar empíricamente su aplicación práctica con datos provenientes de fuentes públicas.
El intercambio de información, ya sea en forma de datos brutos o de modelos entrenados usando aprendizaje automático, debe garantizar niveles adecuados de privacidad. Esta cuestión no es sólo técnica, sino también jurídica, ya que existen leyes que definen el derecho a la privacidad. En este proyecto estudiamos un escenario en el que varias organizaciones (públicas y/o privadas) comparten datos y modelos entrenados con datos privados de cada organización (o de sus pacientes, usuarios, clientes, etc.). El resultado del proyecto fue la propuesta de una solución que consiste en un esquema de privacidad diferencial de tipo mixto que compone un mecanismo centralizado y otro local. El primero es la disponibilización pública de un ensemble de modelos a través de un curador confiable que aplica ruido aleatorio a las predicciones, protegiendo así los datos de las organizaciones participantes en dicho ensemble de modelos. El segundo permite a un tercero realizar consultas al ensemble protegiendo su datos a través de un curador confiable que aplica un mecanismo de privacidad diferencial local que agrega ruido aleatorio a los datos enviados en la consulta. Esta técnica fue implementada y evaluada experimentalmente con éxito en aplicaciones en ciberseguridad y salud.