상관된 차등 프라이버시: 기계 학습에서의 특성 선택

기계 학습에서 프라이버시 보호는 산업 정보학에서 중요한 문제입니다. 산업에서 훈련에 사용되는 데이터는 일반적으로 민감한 정보를 포함하고 있습니다. 기존의 차등 프라이빗 기계 학습 알고리즘은 데이터 상관의 영향을 고려하지 않아 산업 응용에서 예상보다 더 많은 프라이버시 유출을 초래할 수 있습니다. 예를 들어, 교통 모니터링을 위해 수집된 데이터는 시간적 상관이나 사용자 상관으로 인해 일부 상관된 기록을 포함할 수 있습니다. 이러한 격차를 메우기 위해, 본 논문에서는 기계 학습 작업에서 데이터가 상관이 있을 때 프라이버시 손실 문제를 고려한 차등 프라이버시 특성 선택과 함께 상관 감소 방안을 제안합니다. 제안된 방안은 데이터 상관의 정도를 관리하고 프라이버시를 보호하며 예측 결과의 정확성을 지원하는 것을 목표로 하는 다섯 단계로 구성됩니다. 이를 통해 제안된 특성 선택 방안으로 데이터 상관의 영향을 완화하고, 학습에서 데이터 상관의 프라이버시 문제를 보장합니다. 제안된 방법은 산업 분야에서 서비스를 제공하는 기계 학습 알고리즘에 널리 적용될 수 있습니다. 실험 결과, 제안된 방안이 기계 학습 작업에서 더 나은 예측 결과와 기존 방안에 비해 더 적은 평균 제곱 오차를 생성할 수 있음을 보여줍니다.