Étude du profil risque-utilité de méthodes non paramétriques de génération de microdonnées entièrement synthétiques pour des applications statistiques et d'apprentissage automatique.

Study of the risk-utility profile of nonparametric fully synthetic microdata generation methods for statistical and machine learning applications.

• Auteur / Autrice : Rémy Chapelle
• Direction : Bruno Falissard, Nicolas Vayatis
• Type : Projet de thèse
• Discipline(s) : Biostatistiques et data sciences
• Date : Inscription en doctorat le 30/11/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en épidémiologie et Santé des populations
• Partenaire(s) de recherche : Equipe de recherche : Psychiatrie du développement et trajectoires
• Partenaire(s) de recherche : Référent : Faculté de médecine

Mots clés

Mots clés libres

Science Ouverte

Données synthétiques

Protection des données

Apprentissage automatique

Open Science

Disclosure control

Synthetic data

Machine learning

Résumé

En recherche biomédicale, le nombre de résultats publiés a suivi une évolution exponentielle au cours des dernières décennies. Cela suggère une évolution analogue du volume de données recueillies dans le cadre d'études originales. Les principes de Science Ouverte, visant notamment à promouvoir l'intégrité scientifique et à stimuler les collaborations, invitent à rendre ces données librement accessibles au plus grand nombre. Toutefois, ces principes se heurtent au droit au respect de la confidentialité des participants aux études impliquant la personne humaine. Les méthodes d'anonymisation classiques proposées pour répondre à ce défi sont peu opérantes en pratique, soit parce qu'elles ne fournissent pas de garantie formelle de confidentialité, soit parce qu'elles ne sont pas directement compatibles avec les outils statistiques usuels. Au cours des deux dernières décennies, la génération de données synthétiques a émergé comme une alternative séduisante à ces méthodes. Des données sont dites synthétiques lorsqu'elles visent à reproduire les propriétés statistiques de données originales, tout en étant uniquement composées d'observations fictives. Cette voie est actuellement à l'étude dans le cadre du projet Open-CESP porté par le Centre de Recherche en Épidémiologie et Santé des Populations (CESP). Ce projet vise à rendre librement accessible des microdonnées synthétiques issues de recherches menées par le Centre. La méthode de génération de données synthétiques actuellement envisagée a démontré des qualités intéressantes sur un jeu de données test. Toutefois, elle n'a pas fait la preuve de son optimalité pour répondre aux objectifs de l'Open-CESP. Par ailleurs, certaines étapes de pré- et post-traitement de ces données semblent présenter un haut potentiel de développement théorique. Dans ce contexte, l'objectif de ce projet de doctorat est de développer cette méthode de synthèse et de la comparer à des méthodes alternatives en établissant leurs profils de risque-utilité respectifs. Pour cela, des métriques de confidentialité seront établies, de même que des modèles formels de protection contre certains types de risque d'atteinte à la confidentialité. L'application de ces outils à des jeux de données variés issus du CESP et du Centre Borelli, et à leurs équivalents synthétiques, permettra de quantifier le niveau de risque associé à différentes méthodes de synthèse. Une approche similaire permettra d'apprécier leur niveau d'utilité. Le tout servira à établir le profil risque-utilité de ces méthodes en vue d'une discussion critique de leurs performances respectives. En plus de fournir des arguments utiles au choix des méthodes à utiliser dans le cadre de l'Open-CESP, ce travail devrait améliorer la compréhension des principaux mécanismes de synthèse existants et de leurs vulnérabilités intrinsèques à différents types d'attaques. Des points d'amélioration de ces méthodes devraient ainsi émerger, représentant une contribution significative au domaine général de la synthèse de données.

In biomedical research, the number of published results has grown exponentially over the last few decades. This suggests a similar increase in the volume of data collected in original research. Open Science principles, which aim to promote scientific integrity and stimulate collaboration, advocate for making these data publicly accessible. However, these principles raise privacy issues for participants in these studies. Traditional anonymization methods proposed to answer these issues are often ineffective in practice, either because they do not provide formal guarantees of confidentiality or because they are not directly compatible with standard statistical tools. Over the past two decades, synthetic data generation has emerged as an attractive alternative to these methods. Synthetic data aim to replicate the statistical properties of original data while consisting entirely of fictional observations. This approach is currently being explored as part of the Open-CESP project led by the Centre de Recherche en Épidémiologie et Santé des Populations (CESP). This project aims to freely provide synthetic microdata derived from research conducted by this center. The synthetic data generation method currently under consideration has shown promising qualities in a test dataset. However, it has not yet been proven to be optimal for the objectives of the Open-CESP. Furthermore, certain pre- and post-processing steps of this framework seem to have a high potential for theoretical developments. In this context, the goal of this doctoral project is to develop this synthesis method and to compare it with alternative methods by establishing their respective risk-utility profiles. To this end, confidentiality metrics will be established, as well as formal models of protection against certain types of confidentiality breaches. Applying these tools to various datasets from the CESP and the Centre Borelli, and to their synthetic equivalents, will allow us to quantify the risk level associated with different synthesis methods. A similar approach will be followed to assess their utility level. This will be used to establish the risk-utility profile of these methods with a view to a critical discussion of their respective performances. In addition to providing useful arguments for choosing methods to be used within the Open-CESP, this work should improve the understanding of the main existing synthesis mechanisms and their intrinsic vulnerabilities to different types of attacks. Thus, potential improvements to these methods should emerge, representing a significant contribution to the general field of data synthesis.