[论文解读] Survey on Privacy-Preserving Techniques for Data Publishing

Tânia Carvalho, Nuno Moniz+2 more|arXiv (Cornell University)|Jan 20, 2022

Privacy-Preserving Technologies in Data被引用 6

一句话总结

本综述对微数据去标识化的隐私保护技术进行了全面分析，将方法分类为非扰动型、扰动型和去关联型三类。评估了隐私与效用之间的权衡，特别关注机器学习中的预测性能，并指出了实现最优隐私-效用平衡的关键挑战和开放问题。

ABSTRACT

The exponential growth of collected, processed, and shared microdata has given rise to concerns about individuals' privacy. As a result, laws and regulations have emerged to control what organisations do with microdata and how they protect it. Statistical Disclosure Control seeks to reduce the risk of confidential information disclosure by de-identifying them. Such de-identification is guaranteed through privacy-preserving techniques. However, de-identified data usually results in loss of information, with a possible impact on data analysis precision and model predictive performance. The main goal is to protect the individuals' privacy while maintaining the interpretability of the data, i.e. its usefulness. Statistical Disclosure Control is an area that is expanding and needs to be explored since there is still no solution that guarantees optimal privacy and utility. This survey focuses on all steps of the de-identification process. We present existing privacy-preserving techniques used in microdata de-identification, privacy measures suitable for several disclosure types and, information loss and predictive performance measures. In this survey, we discuss the main challenges raised by privacy constraints, describe the main approaches to handle these obstacles, review taxonomies of privacy-preserving techniques, provide a theoretical analysis of existing comparative studies, and raise multiple open issues.

研究动机与目标

• 为应对日益增长的数据收集和监管要求背景下，保护公开微数据中个人隐私的挑战。
• 分析数据隐私与效用之间的权衡，特别是在预测建模任务中。
• 为微数据去标识化的隐私保护技术提供统一的分类法。
• 评估现有的隐私度量、效用指标及其对数据分析和机器学习性能的影响。
• 识别隐私保护数据发布中的开放研究问题和未来方向。

提出的方法

• 提出一种新颖的分类法，将隐私保护技术分为三类：非扰动型、扰动型和去关联型方法。
• 基于其去标识化机制和风险缓解策略，回顾并分类现有的隐私保护技术。
• 分析k-匿名性、l-多样性及t-接近度等隐私度量，以应对各类披露风险。
• 评估信息损失以及分类、回归和聚类任务中的预测性能等效用度量。
• 回顾不同技术间隐私-效用权衡的比较研究和理论分析。
• 讨论密码学机制与协作框架的集成，以在分布式环境中增强隐私保护。

实验结果

研究问题

• RQ1 微数据去标识化的隐私保护技术的主要类别和子类型是什么？
• RQ2 不同隐私保护技术如何影响机器学习模型的数据效用和预测性能？
• RQ3 哪些最有效的隐私保护措施可减轻公开数据集中重新识别的风险？
• RQ4 如何系统性地评估和优化隐私与效用之间的权衡？
• RQ5 在现实世界应用中，隐私保护数据发布的关键挑战和研究空白是什么？

主要发现

• 综述识别出数据隐私与预测性能之间存在关键权衡，即更高的隐私保护通常导致模型准确率和效用下降。
• 扰动型技术（如数据扰动和噪声添加）在保护隐私方面有效，但可能降低数据质量和模型性能。
• 非扰动型方法（如泛化和抑制）保留了更高的数据效用，但如果应用不当，仍存在重新识别风险。
• 去关联型技术（包括数据交换和匿名化）可降低链接风险，但需精心设计以避免效用损失。
• 少数研究在回归和聚类任务上对隐私保护技术进行了实证评估，凸显了在非分类应用中的研究空白。
• 多种技术的集成以及密码学协作机制的结合，在实现隐私保护的同时避免过度效用损失方面展现出潜力。