Основные понятия
서로 다른 프라이버시 및 유틸리티 속성을 가진 두 사용자 그룹 간 데이터 공유 메커니즘을 통해 프라이버시를 보장하면서도 유틸리티 예측 정확도를 높일 수 있는 방법을 제안한다.
Аннотация
이 연구는 서로 다른 프라이버시 및 유틸리티 속성을 가진 두 사용자 그룹 간 데이터 공유 문제를 다룬다. 기존 연구들은 모든 사용자가 동일한 프라이버시 및 유틸리티 속성을 가진다고 가정했지만, 실제로는 다양한 사용자 그룹이 존재한다.
제안하는 데이터 공유 메커니즘은 신뢰할 수 있는 제3자 서비스 제공자를 통해 두 그룹의 데이터를 안전하게 공유하고 프라이버시를 보장하면서도 유틸리티 예측 정확도를 높일 수 있다. 제3자 서비스 제공자는 별도의 보조 데이터셋이나 수동 주석 없이도 두 그룹의 데이터를 활용하여 프라이버시 메커니즘을 학습할 수 있다.
실험 결과, 제안하는 데이터 공유 메커니즘은 두 그룹 모두에서 프라이버시 보호와 유틸리티 예측 성능 간의 균형을 효과적으로 달성할 수 있음을 보여준다. 특히 UAE-PUPET 기법을 활용한 경우 ALFR 기법보다 더 나은 성능을 보였다.
Статистика
두 사용자 그룹 모두에서 프라이버시 속성 예측 정확도가 크게 감소했지만, 유틸리티 속성 예측 정확도는 높게 유지되었다.
미국 인구조사 데이터셋의 경우 그룹 1에서 프라이버시 속성 예측 정확도가 0.88에서 0.55로, 그룹 2에서 0.98에서 0.59로 감소했다.
합성 데이터셋의 경우 그룹 1에서 프라이버시 속성 예측 정확도가 0.97에서 0.65로, 그룹 2에서 0.97에서 0.63으로 감소했다.
Цитаты
"우리는 두 개의 상이한 사용자 그룹이 특징화된 고유한 프라이버시 및 유틸리티 속성을 다루는 새로운 문제 정식화를 제안한다."
"제안하는 데이터 공유 메커니즘은 보조 데이터셋이나 수동 주석 없이도 두 그룹의 데이터를 활용하여 프라이버시 메커니즘을 학습할 수 있다."
"실험 결과, 제안하는 데이터 공유 메커니즘은 두 그룹 모두에서 프라이버시 보호와 유틸리티 예측 성능 간의 균형을 효과적으로 달성할 수 있음을 보여준다."