論文の概要: DUEF-GA: Data Utility and Privacy Evaluation Framework for Graph Anonymization

• arxiv url: http://arxiv.org/abs/2501.18625v1
• Date: Mon, 27 Jan 2025 12:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 17:14:59.866768
• Title: DUEF-GA: Data Utility and Privacy Evaluation Framework for Graph Anonymization
• Title（参考訳）: DUEF-GA: グラフ匿名化のためのデータユーティリティとプライバシ評価フレームワーク
• Authors: Jordi Casas-Roma,
• Abstract要約: 本稿では,匿名データセットを共通的に評価・比較するためのフレームワークを提案する。 本フレームワークは,平均距離や距離集中度などの一般的な情報損失尺度に基づく指標を含む。 私たちのフレームワークは、研究者や実践者が最適なパラメトリゼーションやアルゴリズムを選択するのに役立ちます。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Anonymization of graph-based data is a problem which has been widely studied over the last years and several anonymization methods have been developed. Information loss measures have been used to evaluate data utility and information loss in the anonymized graphs. However, there is no consensus about how to evaluate data utility and information loss in privacy-preserving and anonymization scenarios, where the anonymous datasets were perturbed to hinder re-identification processes. Authors use diverse metrics to evaluate data utility and, consequently, it is complex to compare different methods or algorithms in literature. In this paper we propose a framework to evaluate and compare anonymous datasets in a common way, providing an objective score to clearly compare methods and algorithms. Our framework includes metrics based on generic information loss measures, such as average distance or betweenness centrality, and also task-specific information loss measures, such as community detection or information flow. Additionally, we provide some metrics to examine re-identification and risk assessment. We demonstrate that our framework could help researchers and practitioners to select the best parametrization and/or algorithm to reduce information loss and maximize data utility.
• Abstract（参考訳）: グラフベースのデータの匿名化は、近年広く研究されている問題であり、いくつかの匿名化手法が開発されている。 匿名化グラフにおけるデータの有用性と情報損失を評価するために,情報損失対策が用いられている。 しかし、プライバシ保存と匿名化のシナリオにおいて、匿名データセットが乱れ、再識別プロセスを妨げているデータユーティリティと情報損失を評価する方法には、コンセンサスがない。 著者はデータユーティリティを評価するためにさまざまなメトリクスを使用し、その結果、文学における異なる方法やアルゴリズムを比較するのが複雑になる。 本稿では、匿名データセットを共通の方法で評価・比較するためのフレームワークを提案し、手法とアルゴリズムを明確に比較するための客観的スコアを提供する。 本フレームワークは,平均距離や間隙集中度などの一般的な情報損失尺度に基づく指標と,コミュニティ検出や情報フローなどのタスク固有の情報損失尺度を含む。 さらに、再識別とリスクアセスメントを調べるための指標も提供します。 我々のフレームワークは、情報損失を低減し、データの有用性を最大化するために、研究者や実践者が最適なパラメータ化および/またはアルゴリズムを選択するのに役立つことを実証する。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Robust Utility-Preserving Text Anonymization Based on Large Language Models [80.5266278002083]
  テキストの匿名化は、プライバシーを維持しながら機密データを共有するために重要である。 既存の技術は、大規模言語モデルの再識別攻撃能力の新たな課題に直面している。 本稿では,3つのLCMベースコンポーネント – プライバシ評価器,ユーティリティ評価器,最適化コンポーネント – で構成されるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T14:28:56Z)
• Adversarial Machine Learning-Enabled Anonymization of OpenWiFi Data [9.492736565723892]
  匿名化によるデータのプライバシと保護は、他のデータの使用が期待される前にネットワークオペレータやデータ所有者にとって重要な問題である。 オープンWiFiネットワークは、データ所有者が持つ知識に関係なく、トラフィックへのアクセスや知識を得ようとする敵に対して脆弱である。 CTGANは合成データを生成する。これは実際のデータとして偽装するが、実際のデータの隠れた急性情報を促進する。
  論文  参考訳（メタデータ） (2024-01-03T04:59:03Z)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• A Trajectory K-Anonymity Model Based on Point Density and Partition [0.0]
  本稿では点密度と分割(K PDP)に基づく軌道K匿名性モデルを開発する。 再識別攻撃に抵抗し、k匿名データセットのデータユーティリティ損失を低減する。
  論文  参考訳（メタデータ） (2023-07-31T17:10:56Z)
• Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey [67.7834898542701]
  我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。 まずプライバシ保護グラフデータを生成する方法を検討する。 次に,プライバシ保護情報を送信する方法について述べる。
  論文  参考訳（メタデータ） (2023-07-10T04:30:23Z)
• OpenDataVal: a Unified Benchmark for Data Valuation [38.15852021170501]
  OpenDataValは、データバリュエーションのための、使いやすく、統一されたベンチマークフレームワークです。 OpenDataValは、11種類の最先端データバリュエーションアルゴリズムを含む統合環境を提供する。 我々はOpenDataValを用いてベンチマーク分析を行い、最先端データ評価手法の有効性を定量化し比較する。
  論文  参考訳（メタデータ） (2023-06-18T14:38:29Z)
• A False Sense of Privacy: Towards a Reliable Evaluation Methodology for the Anonymization of Biometric Data [8.799600976940678]
  生体データは、顔の特徴や歩行パターンのような特徴的な人間の特徴を含んでいる。 プライバシー保護は、匿名化の技法によって広範囲に提供される。 我々は、匿名化の性能を評価するために使用される最先端の手法を評価する。
  論文  参考訳（メタデータ） (2023-04-04T08:46:14Z)
• Utility Assessment of Synthetic Data Generation Methods [0.0]
  完全合成データを生成する方法が,その実用性に相違があるかどうかを考察する。 ボード上の他の方法よりもパフォーマンスがよい方法がいくつかあります。 機械学習モデルのトレーニングに合成データを使用する場合、分類タスクに対して有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-11-23T11:09:52Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
  下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。 本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
  論文  参考訳（メタデータ） (2020-09-15T22:06:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。