Corrélation
La corrélation (ou possibilité de mise en relation) est un critère fondamental pour évaluer l’anonymat des données synthétiques. Elle désigne le risque que deux enregistrements ou plus – dans un même jeu de données ou entre plusieurs jeux de données – puissent être reliés à une même personne sur la base d’attributs communs.
Exemple d’application concret
Imaginons deux jeux de données : l’un contient des dossiers médicaux, l’autre des habitudes d’achat.
Un attaquant qui sait qu’un individu a acheté un produit lié à la santé peut chercher à faire le lien avec des maladies mentionnées dans le jeu de données médicales si des attributs communs comme l’âge, le sexe ou la localisation sont partagés entre les deux sources.
Cette connexion permettrait alors de déduire des informations sensibles sur l’individu.
Liste des métriques évaluant le critère de corrélation
Facteurs influençant le risque de corrélation
Le risque de corrélation augmente lorsque plusieurs jeux de données partagent un nombre important d’attributs communs, surtout si ces attributs sont précis ou rares.
Des informations telles que des dates de naissance exactes, des professions peu répandues ou des localisations très précises facilitent les correspondances entre enregistrements.
De plus, les jeux de données très structurés et avec une variabilité limitée entre les individus peuvent amplifier ce risque.
Par exemple, un ensemble contenant de nombreux individus avec des profils démographiques similaires génère des motifs facilement repérables et donc plus simples à croiser entre plusieurs sources.
Ce critère est particulièrement important pour les personnes apparaissant dans plusieurs jeux de données. Le croisement de ces sources peut révéler un profil plus complet, augmentant considérablement le risque de réidentification.
Importance de la mitigation
Pour limiter les risques de corrélation, les métriques que nous avons développées évaluent systématiquement la probabilité que des enregistrements puissent être reliés entre plusieurs jeux de données à partir d’attributs partagés.
Ces analyses permettent d’identifier les chevauchements et de réduire la probabilité d’appariement en introduisant de la variabilité contrôlée ou des techniques d’obfuscation dans les données synthétiques.
En anticipant ces vulnérabilités, la méthode Avatar renforce la protection de la vie privée des individus.