TRUST LONGSYNTH: Confidențialitate Diferențială pentru Date Longitudinale de Sănătate
Sintetizarea cronologiilor de pacienți care supraviețuiesc unui buget epsilon-12 fără să prăbușească cohortele minoritare a fost problema deschisă în ML medical timp de cinci ani.
TRUST LONGSYNTH: Confidențialitate Diferențială pentru Date Longitudinale de Sănătate
Sintetizarea cronologiilor de pacienți care supraviețuiesc unui buget epsilon-12 fără să prăbușească cohortele minoritare a fost problema deschisă în ML medical timp de cinci ani. Un preprint din septembrie 2026 al grupului TRUST (arXiv:2609.22401) pune o cifră pe compromis: 7,5% câștig AUPRC față de cel mai apropiat baseline privat, expunere canary menținută la 1,8% în loc de 28,8%. Limitarea e declarată din start — autorii numesc asta un protocol, nu o afirmație clinică.
De ce înregistrările neregulate sparg majoritatea generatoarelor DP
Înregistrările longitudinale de sănătate sunt neregulate prin construcție. Consultațiile cad la intervale inegale, vectorii de trăsături au goluri, iar evenimentele rare (reacții adverse, convulsii, sepsis) generează cea mai mare parte din utilitatea downstream. Difuzia naiv diferențial privată prăbușește aceste semnale primele, pentru că zgomotul gaussian scalează cu covarianța trăsăturilor, iar evenimentele rare stau în coada cu densitate mică. Soluția din lucrare e arhitecturală: o covarianță temporală block-banded, un prag minim de eșantionare pentru evenimentele protejate și calculul scorului efectuat sub zero-concentrated DP accounting în loc de clasicul moments accountant.
Pe un benchmark de 720 de pacienți la ε=12 și δ=1e-5, metoda a depășit un baseline privat cu scor diagonal pe calibrare, corelație cross-feature și autocorelație lag-1 simultan — cele trei axe pe care datele sintetice DP plătesc de obicei cel mai mare preț (NIST SP 800-226 privind garanțiile DP).
epsilon=12, delta=1e-5
canary_exposure: 1.80 (DP Score baseline: 28.83)
auprc_lift: +7.5%
calibration_ece: -0.041
autocorr_error_lag1: -0.12
protected_event_floor: 0.08Pipeline-ul într-o singură imagine
Etapa de audit contează la fel de mult ca generatorul. Expunerea canary este proxy-ul de memorizare pe care comunitatea l-a adoptat din 2019, iar scăderea de la 28,8 la 1,8 este genul de diferență pe care un responsabil cu protecția datelor chiar o poate citi. Asta se mapează direct pe ce cere Articolul 9 GDPR pentru datele de sănătate procesate sub logica de pseudonimizare din Recitalul 26, și pe pragurile de anonimizare stabilite de ENISA în ghidul avansat de pseudonimizare din 2022.
Unde se încadrează în stiva de date de sănătate
Regulamentul European Health Data Space face din utilizarea secundară a datelor de sănătate regula implicită până în 2029, spitalele urmând să elibereze seturi de date derivate în locul înregistrărilor brute. Un sintetizator DP care păstrează AUPRC pe modele downstream de sepsis demonstrând în același timp memorizare scăzută este exact artefactul pe care reglementatorii îl vor accepta. Perspectiva noastră de inginerie la CAI Janus este că ε=12 rămâne prea lax pentru eliberare transfrontalieră — ε≤4 cu un gate de fairness este ținta pentru orice traversează o frontieră sub Articolul 33 EHDS. Construim aceeași instrumentare în linia noastră de audit de confidențialitate AEGIS și în munca de siguranță a datelor sintetice publicată sub CAI RAG.
Afirmația de validitate clinică pe care autorii au evitat-o deliberat este cea pe care organismul notificat pentru dispozitive medicale o va cere în continuare. Vorbiți cu noi înainte să promiteți o etichetă downstream.