Repérer les enregistrements à haut risque dans les données synthétiques avec RAPID aux Journées suisses de la statistique 2026
Le 25 août 2026, Oscar Thees a présenté notre contribution Identifying High-Risk Records in Synthetic Data with RAPID aux Journées suisses de la statistique 2026 au Würth Haus de Rorschach, organisées par l’Office des données et de la statistique du canton de Saint-Gall.
L’exposé a commencé par une expérience de pensée. B radiographie en secret la mallette de A et voit ce qu’elle contient : clairement une atteinte à la vie privée. Dans une seconde variante, B ne touche jamais la mallette, mais en déduit le même contenu à l’aide d’un modèle, à partir de quelques caractéristiques visibles, avec la même valeur probante. Aucun accès, seulement une prédiction. Est-ce encore une atteinte ? La thèse de la symétrie (Munch, 2021) soutient que la différence est réelle mais moralement sans portée, car tout ce que nous invoquons pour justifier la protection de la vie privée (préjudice, jugement porté sur la personne, autonomie) s’applique tout autant à la prédiction. La confidentialité différentielle part d’ailleurs : il n’y a atteinte que si le résultat dépend de la présence d’une personne donnée dans les données.
RAPID ne tranche pas ce débat. Dans les deux lectures, on veut toutefois savoir combien d’inférence une publication permet. Les données synthétiques ne règlent pas cela d’elles-mêmes : elles rompent le lien avec les personnes réelles, mais chaque dépendance qu’elles préservent est un levier pour l’attaquant.
RAPID (Risk of Attribute Prediction-Induced Disclosure) rend cette valeur probante mesurable. L’attaquant est simulé par un modèle d’apprentissage automatique, entraîné sur les données publiées, qui prédit l’attribut sensible à partir des quasi-identifiants et est confronté aux valeurs réelles de personnes réelles. La correction par une référence est essentielle : si 90 % des patients sont en bonne santé, « en bonne santé » est juste à 90 % sans aucune attaque. Le résultat : un signalement de risque par enregistrement et les combinaisons de quasi-identifiants qui l’expliquent.
RAPID est l’une des quelque 100 mesures de risque et d’utilité de riskutility, notre nouveau package R sur CRAN.
- Article RAPID : arXiv:2602.09235
- riskutility sur CRAN : cran.r-project.org/package=riskutility
- Résumé : programme des Journées suisses de la statistique (Book of Abstracts, p. 13)
Ces travaux ont été menés avec Roman Müller et Matthias Templ.