ClustEm4Ano：聚类标称文本属性的文本嵌入以用于微数据匿名化

本工作介绍了 ClustEm4Ano，这是一种匿名化流水线，可用于标称文本表格数据的泛化和基于抑制的匿名化。它自动生成值泛化层次结构（VGHs），进而可用于泛化准标识符中的属性。该流水线利用嵌入通过迭代聚类生成语义上接近的值泛化。我们在13种不同的预定义文本嵌入（包括开源和闭源（通过API））上应用了 KMeans 和层次凝聚聚类。我们的方法在著名的匿名化基准数据集上进行了实验测试：UCI机器学习库的 Adult 数据集。与使用任意选择的 VGHs 相比，ClustEm4Ano 通过提供更多可能性来支持匿名化过程。实验表明，这些 VGHs 在下游效能方面可以优于手动构建的 VGHs（特别是对于较小的 $k$-匿名性（$2 \leq k \leq 30$）），从而可以提高匿名化数据集的质量。我们的实现已公开。