COVI白皮书
密码学与安全
2020-07-28 v2 人工智能
计算机与社会
摘要
SARS-CoV-2（Covid-19）大流行已对全球公共卫生机构造成显著压力。接触者追踪是改变Covid-19大流行进程的重要工具。Covid-19病例的人工接触者追踪面临重大挑战，限制了公共卫生当局最小化社区感染的能力。通过移动应用实现的个性化点对点接触者追踪有可能改变这一范式。一些国家已部署集中式追踪系统，但更具隐私保护性的去中心化系统在将数椐集中于国家当局或营利性公司之手之外，提供了许多相同的益处。机器学习方法可以通过将许多线索及其不确定性纳入更分级和精确的感染风险估计中，规避标准数字追踪的一些局限。估计的风险可向用户提供早期风险意识、个性化建议和相关信息。最后，非身份识别的风险数据可为与机器学习预测器联合训练的流行病学模型提供信息。这些模型可提供涉及疾病传播因素重要性的统计证据。它们还可用于根据医疗和经济效益生产率指标监测、评估和优化卫生政策及（解）封控情景。然而，这种基于移动应用和机器学习的策略应主动缓解潜在的伦理和隐私风险，其可能对社产生重大影响（不仅影响健康，还包括污名化和个人数据滥用等影响）。在此，我们概述了在加拿大开发的Covid-19公共点对点接触者追踪与风险意识移动应用“COVI”的原理、设计、伦理考量和隐私策略。
引用
@article{arxiv.2005.08502,
title = {COVI White Paper},
author = {Hannah Alsdurf and Edmond Belliveau and Yoshua Bengio and Tristan Deleu and Prateek Gupta and Daphne Ippolito and Richard Janda and Max Jarvie and Tyler Kolody and Sekoul Krastev and Tegan Maharaj and Robert Obryk and Dan Pilat and Valerie Pisano and Benjamin Prud'homme and Meng Qu and Nasim Rahaman and Irina Rish and Jean-Francois Rousseau and Abhinav Sharma and Brooke Struck and Jian Tang and Martin Weiss and Yun William Yu},
journal= {arXiv preprint arXiv:2005.08502},
year = {2020}
}
备注
64 pages, 1 figure