使用条件生成对抗网络生成合成个人健康数据,并与差异隐私相结合

科学领域:

• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学
• 保护隐私的技术 保护隐私的技术

背景情况:

• 个人健康数据是有价值的,但由于隐私和法律约束,无法访问.
• 合成数据提供了一个有希望的解决方案,但现实主义,隐私保护和处理不平衡的数据集仍然存在挑战.
• 现有的方法在少数类数据模拟和捕获变量依赖性方面遇到了困难.

研究的目的:

• 提出一种新的差异私有有条件生成对抗网络 (DP-CGANS) 模型,用于生成现实的,保护隐私的合成个人健康数据.
• 解决综合健康数据生成的具体挑战,包括少数阶级的代表性和变量之间的依赖性.
• 确保数据实用性和患者隐私之间的平衡.

主要方法:

• 开发了一个DP-CGANS模型,涉及数据转换,采样,调节和网络培训.
• 分别将分类变量和连续变量分别转换为潜空间.
• 整合了一个条件向量来表示少数阶级,并将噪音注入梯度以实现差异性隐私.

主要成果:

• 与最先进的模型相比,DP-CGANS模型在捕捉变量依赖性方面表现出卓越的性能.
• 对社会经济和现实世界健康数据集的评估显示出强烈的统计相似性,机器学习实用性和隐私保护.
• 该模型有效地平衡了数据实用性和隐私,即使有不平衡的类,异常分布和数据稀疏性.

结论:

• DP-CGANS是一种有效的方法,用于生成高保真性,保护隐私的合成个人健康数据.
• 该模型成功地克服了合成健康数据生成的关键挑战,特别是不平衡和复杂的数据集.
• 这种方法可以提高研究价值的健康数据的可访问性,同时保持严格的隐私标准.