May, 2023

应用不同技术的机器学习模型对匿名数据的比较

PDF
TL;DR通过使用基于值通用化层次结构的匿名化技术来模糊准标识符，广泛用于实现预设的隐私级别。本文研究了四种经典的机器学习方法，以分类为目的，分析了应用匿名化技术和为每个方法选择的参数的结果。使用广为人知的成年人数据集，在变化的 K 值、L - 多样性、T - 接近度和 delta 披露隐私方面部署这些模型的性能得到了研究。
发现论文，激发创造
  • 个人隐私与群体隐私：学习攻击匿名化

    通过比较差分隐私和 l - 多样性数据的准确分类器推断私人属性，研究发现即使采用差分隐私，也能够推断出个体的隐私属性。

    Nov, 2010

  • 近似、适应、匿名（3A）：用于机器学习隐私保护训练数据发布的框架

    本文提出了一种数据发布框架 ——3A (Approximate, Adapt, Anonymize)，它能够最大化机器学习的数据效用，同时保持差分隐私与高效性。

    Jul, 2023

  • 关于抽样、匿名化和差分隐私：或者，k - 匿名遇上差分隐私

    本文研究在隐私保护数据分析和发布中，K - 匿名提供了怎样的形式隐私保证，并探索了如何从对方的数据不确定性中受益。结果表明，随机采样可以提供帮助，具有很好的隐私保护。通过在 K - 匿名之前添加随机采样步骤，可以以合理的参数满足差分隐私，从而为数据提供更好保护。同时，对于给定的采样数据集，可以利用更大的隐私预算。

    Jan, 2011

  • 临床文本处理中哪种匿名技术最好？──这要看任务。一项系统研究

    探究匿名化技术对多种 NLP 任务中 ML 模型性能的影响，旨在寻找更好的匿名化技术，同时发现一些技术并不能有效避免由相似性搜索发起的重新识别攻击。

    Sep, 2022

  • 基于人工智能的匿名化：在利用机器学习时保护个人数据隐私

    人工智能的发展显著改变了人们的生活，但也对隐私和安全构成了重大威胁。因此，通过机器学习算法实现个人信息的智能保护已成为一项重要关注点。本文着重于个人数据隐私保护和匿名化的核心研究目标，通过使用机器学习的差分隐私保护算法，实现个人数据隐私保护和检测，并解决与隐私和个人数据保护相关的现有挑战，提出改进建议，分析影响数据集的因素以实现及时的个人数据隐私检测和保护。

    Feb, 2024

  • k - 匿名和合成数据技术对能量成本和机器学习准确性的影响

    本文研究了 k - 匿名、合成数据等隐私增强技术对机器学习模型能耗和准确性的影响，结果表明应用 k - 匿名到数据集可以降低能耗并保持准确度，而使用合成数据则可以保持能耗不变，但准确性可能会有所下降。

    May, 2023

  • 基于匿名化的隐私和效用保护自然语言处理：假名化案例研究

    本研究探讨了不同的假名化技术在各种数据集和用于两种广泛使用的 NLP 任务（文本分类和摘要）的模型中的有效性，重点关注假名化技术对原始数据和模型质量之间差距的关键见解，并促进未来研究更高质量的匿名化技术，以更好地平衡数据保护和效用保护之间的权衡。其中，代码、假名化数据集和下游模型均可公开获取。

    Jun, 2023

  • 对抗机器学习赋能的 OpenWiFi 数据匿名化

    通过匿名化实现数据隐私和保护是数据拥有者在将数据转发至其他可能用途之前需要解决的关键问题。本文提出了使用 CTGAN 生成的合成数据作为真实数据的替代品，以解决 OpenWiFi 网络中泄露和信息丢失的问题，并通过聚类算法的相似性评估以及无监督聚类验证指标的比较，表明 K-means 算法在合成数据与真实数据的相似性评估上表现出色。因此，实验结果展示了使用 CTGAN 生成的合成数据作为匿名化数据替代品的可行性。

    Jan, 2024

  • 数据混淆实现隐私保护机器学习

    该论文提出了一种新的通用方法 —— 混淆函数，可在不泄露机器学习训练数据的前提下保护其中的隐私信息，并成功地抵御了四种现有的机器学习隐私攻击。

    Jul, 2018

  • 基于点密度和分割的轨迹 K - 匿名模型

    为了保护用户的轨迹数据隐私，本文提出了一种基于点密度和分区的轨迹 K - 匿名模型 (KPDP)，它在轨迹集分区前处理和轨迹聚类算法方面改进了现有的轨迹泛化匿名化技术，成功抵制了重新识别攻击，并减少了 k - 匿名数据集的数据效用损失。实验结果表明，相比其他现有技术，该模型在数据效用和算法执行时间方面具有明显优势。

    Jul, 2023