TraVaS：用于过程挖掘的差分隐私迹变体选择
密码学与安全
2022-10-28 v1
摘要
在工业过程挖掘领域，隐私保护的事件数据发布正变得越来越重要。因此，高数据效用与可量化隐私之间的权衡带来了新的挑战。当前最先进的研究主要集中于基于前缀扩展方法的差分隐私迹变体构建。然而，这些算法面临若干实际限制，如高计算复杂度、引入虚假变体、移除频繁变体以及变体长度受限。在本文中，我们引入了一种直接发布差分隐私迹变体的新方法，该方法使用匿名化的“分区选择”策略来克服上述限制。在真实事件数据上的实验结果表明，我们的算法在原始数据效用和结果效用保持方面均优于最先进的方法。
引用
@article{arxiv.2210.14951,
title = {TraVaS: Differentially Private Trace Variant Selection for Process Mining},
author = {Majid Rafiei and Frederik Wangelik and Wil M. P. van der Aalst},
journal= {arXiv preprint arXiv:2210.14951},
year = {2022}
}