人类接触网络中疾病传播的差分隐私建模
密码学与安全
2026-04-10 v1 机器学习
应用统计
摘要
疾病传播的流行病学研究常依赖于接触网络模型来捕捉支配疾病传播的复杂相互作用，正在致力于大幅提升此类数据可收集的规模。然而，接触网络可能包含敏感信息，如性关系或药物使用行为。在保持数据科学有用性的同时保护个人隐私至关重要。我们提出了一种基于差分隐私 (DP) 的疾病传播仿真研究管道，将其与统计网络模型（如随机块模型 (SBMs) 和指数随机图模型 (ERGMs)）相集成。该管道包含三个步骤: (1) 使用节点级差分隐私（对应保护个人贡献）计算网络摘要统计; (2) 使用这些摘要拟合统计模型，如 ERGM，这允许生成反映原始网络结构的合成网络; (3) 在合成网络上使用基于代理的模型进行疾病传播仿真。我们在多个配置下评估了方法的有效性，使用简单的易感-感染-易感 (SIS) 疾病模型进行比较。我们比较了在是否施加差分隐私约束的情况下生成的网络上的数值结果（如模拟疾病发病率和患病率），以及定性结论（如干预效应大小）。我们的实验基于来自 ARTNet 研究（关于 HIV 相关行为的调查）的以人为中心的性接触网络数据。我们的结果表明，为隐私而添加的噪声相对于其他误差来源（抽样和模型误规）较小。这表明，在原则上，持有此类敏感数据的策展人可以同时提供有价值的流行病学见解而又能保护隐私。
引用
@article{arxiv.2604.07493,
title = {Differentially Private Modeling of Disease Transmission within Human Contact Networks},
author = {Shlomi Hod and Debanuj Nayak and Jason R. Gantenberg and Iden Kalemaj and Thomas A. Trikalinos and Adam Smith},
journal= {arXiv preprint arXiv:2604.07493},
year = {2026}
}