利用差分隐私推进学习分析中的隐私保护
密码学与安全
2025-01-06 v1
摘要
本文聚焦于在学习分析（LA）中平衡学习者数据隐私与数据使用的挑战，提出一种 novel 框架，通过应用差分隐私（Differential Privacy, DP）来实现。随着法律法规不断演进、隐私关注度提升，以及传统匿名化方法难以应对教育数据复杂性，更强大的隐私保护需求日益增长。为此，本文首次提出专为 LA 设计的 DP 框架，并提供实际的实施指导。我们通过一个 LA 应用场景演示了该框架的使用，并通过对一个著名 LA 数据集的实验验证了 DP 在保护数据隐私方面的有效性。此外，我们还探讨了在 various DP 设置下，数据隐私与数据实用性之间的权衡。本工作为 LA 领域提供了一套实用的 DP 框架，帮助研究者和实践者在自己的工作中采用 DP。
引用
@article{arxiv.2501.01786,
title = {Advancing privacy in learning analytics using differential privacy},
author = {Qinyi Liu and Ronas Shakya and Mohammad Khalil and Jelena Jovanovic},
journal= {arXiv preprint arXiv:2501.01786},
year = {2025}
}