Korreliert Differentiale Privatsphäre: Merkmalsauswahl im Maschinenlernen

Der Datenschutz im Maschinenlernen ist ein entscheidendes Thema in der Industrieinformatik, da die zur Schulung verwendeten Daten in der Regel sensible Informationen enthalten. Bestehende differentialprivatsphärische Maschinenlernalgorithmen haben den Einfluss von Datenkorrelationen nicht berücksichtigt, was in industriellen Anwendungen zu einer höheren Privatsphäre-Leckage führen kann als erwartet. Beispielsweise können Daten, die zur Verkehrsüberwachung gesammelt werden, einige korrelierte Datensätze aufgrund zeitlicher oder benutzerbezogener Korrelationen enthalten. Um diese Lücke zu schließen, schlagen wir in diesem Artikel ein Korrelationsreduzierungs-Schema mit differentialprivater Merkmalsauswahl vor, das das Problem des Datenschutzverlusts berücksichtigt, wenn Daten in Maschinenlernaufgaben korreliert sind. Das vorgeschlagene Schema umfasst fünf Schritte mit dem Ziel, das Ausmaß der Datenkorrelation zu verwalten, die Privatsphäre zu bewahren und die Genauigkeit der Vorhersageergebnisse zu unterstützen. Auf diese Weise wird der Einfluss der Datenkorrelation durch das vorgeschlagene Merkmalsauswahl-Schema gemildert, und darüber hinaus wird das Datenschutzproblem der Datenkorrelation im Lernen garantiert. Die vorgeschlagene Methode kann in Maschinenlernalgorithmen, die Dienstleistungen in industriellen Bereichen anbieten, weit verbreitet werden. Experimente zeigen, dass das vorgeschlagene Schema bessere Vorhersageergebnisse bei Maschinenlernaufgaben und weniger mittlere quadratische Fehler bei Datenabfragen im Vergleich zu bestehenden Schemen erzielen kann.