ترجمه فارسی مقاله انتشار داده‌های خصوصی متفاوت روی نمودارها: ناکارآمدی‌ها و بی‌انصافی‌ها

چکیده

Networks are crucial components of many sectors, including telecommunications, healthcare, finance, energy, and transportation.The information carried in such networks often contains sensitive user data, like location data for commuters and packet data for online users. Therefore, when considering data release for networks, one must ensure that data release mechanisms do not leak information about individuals, quantified in a precise mathematical sense. Differential Privacy (DP) is the widely accepted, formal, state-of-the-art technique, which has found use in a variety of real-life settings including the 2020 U.S. Census, Apple users’ device data, or Google’s location data. Yet, the use of DP comes with new challenges, as the noise added for privacy introduces inaccuracies or biases and further, DP techniques can also distribute these biases disproportionately across different populations, inducing fairness issues. The goal of this paper is to characterize the impact of DP on bias and unfairness in the context of releasing information about networks, taking a departure from previous work which has studied these effects in the context of private population counts release (such as in the U.S. Census). To this end, we consider a network release problem where the network structure is known to all, but the weights on edges must be released privately. We consider the impact of this private release on a simple downstream decision-making task run by a third-party, which is to find the shortest path between any two pairs of nodes and recommend the best route to users. This setting is of highly practical relevance, mirroring scenarios in transportation networks, where preserving privacy while providing accurate routing information is crucial. Our work provides theoretical foundations and empirical evidence into the bias and unfairness arising due to privacy in these networked decision problems.

چکیده به فارسی (ترجمه ماشینی)

شبکه ها مؤلفه های مهم بسیاری از بخش ها ، از جمله ارتباطات ، مراقبت های بهداشتی ، امور مالی ، انرژی و حمل و نقل هستند. اطلاعات حمل شده در چنین شبکه هایی اغلب حاوی داده های حساس کاربر مانند داده های مکان برای مسافران و داده های بسته برای کاربران آنلاین است.بنابراین ، هنگام در نظر گرفتن انتشار داده برای شبکه ها ، باید اطمینان حاصل شود که مکانیسم های انتشار داده ها اطلاعات مربوط به افراد را نشت نمی کنند ، که به معنای دقیق ریاضی اندازه گیری می شوند.حریم خصوصی دیفرانسیل (DP) تکنیک بسیار پذیرفته ، رسمی و پیشرفته ای است که در انواع تنظیمات زندگی واقعی از جمله سرشماری ایالات متحده 2020 ، داده های دستگاه کاربران اپل یا داده های موقعیت مکانی Google استفاده کرده است.با این حال ، استفاده از DP با چالش های جدیدی همراه است ، زیرا سر و صدای اضافه شده برای حفظ حریم خصوصی نادرست ها یا تعصبات را معرفی می کند و علاوه بر این ، تکنیک های DP همچنین می توانند این تعصبات را به طور نامتناسب در جمعیت های مختلف توزیع کنند و باعث ایجاد مشکلات انصاف می شوند.هدف این مقاله توصیف تأثیر DP بر تعصب و ناعادلانه در زمینه انتشار اطلاعات در مورد شبکه ها ، عزیمت از کارهای قبلی است که این تأثیرات را در زمینه انتشار جمعیت خصوصی مورد مطالعه قرار داده است (مانند ایالات متحده آمریکا.سرشماری)برای این منظور ، ما یک مشکل انتشار شبکه را در نظر می گیریم که در آن ساختار شبکه برای همه شناخته شده است ، اما وزنهای موجود در لبه ها باید به صورت خصوصی منتشر شود.ما تأثیر این نسخه خصوصی را در یک کار تصمیم گیری ساده در پایین دست که توسط یک شخص ثالث انجام می شود ، در نظر می گیریم ، یعنی یافتن کوتاهترین مسیر بین هر دو جفت گره و بهترین مسیر را به کاربران توصیه می کنیم.این تنظیم از اهمیت بسیار عملی برخوردار است و سناریوهای آینه کاری در شبکه های حمل و نقل را نشان می دهد ، جایی که حفظ حریم خصوصی ضمن ارائه اطلاعات دقیق مسیریابی بسیار مهم است.کار ما مبانی نظری و شواهد تجربی در مورد تعصب و ناعادلانه ناشی از حریم خصوصی در این مشکلات تصمیم گیری شبکه ای ارائه می دهد.