差分隐私归纳矢量
密码学与安全
2024-10-07 v2 数据库
摘要
保护个体关于个人数据的隐私信息，如过程矿业中的事件痕迹，是一项 inherently difficult 的任务，因为事件痕迹会泄露个体触发的过程模型路径的信息。然而，针对此类泄露的先前匿名化方法，如 k-匿名或事件日志清理，面对具有充足背景知识的对手时，尤其难以提供足够的保护。在本工作中，我们提供了一种方法，以隐私保护的方式学习总结敏感事件痕迹的底层过程树。我们通过所谓的差分隐私 (DP) 属性证明，从所得总结中无法对事件痕迹中的任何个人数据进行有用推断。在技术方面，我们引入了差分隐私近似 (DPIM) 的归纳矢量。我们通过在 14 组真实事件痕迹上进行实验，评估著名指标：适应性、精确度、简单性和泛化性，比较了 DPIM 与归纳矢量。实验结果表明，DPIM 不仅能保护个人数据，还能生成具有很小于归纳矢量的实用损失的忠实过程树。
引用
@article{arxiv.2407.04595,
title = {Differentially Private Inductive Miner},
author = {Max Schulze and Yorck Zisgen and Moritz Kirschte and Esfandiar Mohammadi and Agnes Koschmider},
journal= {arXiv preprint arXiv:2407.04595},
year = {2024}
}
备注
The first two authors equally contributed to this work