เยี่ยมมาก!

ความเป็นส่วนตัวของข้อมูลและการทำให้ข้อมูลไม่ระบุตัวตนด้วย Python

Rebeca Gonzalez

Data engineer

เรียนจบคอร์สแล้ว

สรุป: สิ่งที่ได้เรียนรู้

• ข้อมูลส่วนบุคคลที่ระบุตัวตนได้แบบอ่อนไหวและไม่อ่อนไหว (PII)
• Quasi-identifiers
• การโจมตีด้วยการเชื่อมโยงข้อมูล
• การระงับข้อมูล
• การปิดบังข้อมูล
• การทำให้ข้อมูลเป็นภาพรวม
• การสร้างข้อมูลสังเคราะห์
• การสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นสำหรับแอตทริบิวต์ประเภทต่าง ๆ

โมเดลความเป็นส่วนตัว: k-anonymity

• ชุดข้อมูลแบบ K-anonymous
• การสำรวจการรวมกันที่เป็นไปได้ในชุดข้อมูล
• การทำให้ข้อมูลเป็นภาพรวมด้วยลำดับชั้นและช่วงค่า
• การป้องกันการโจมตีแบบ re-identification
• โดยไม่มีการปลอมแปลงหรือสุ่มข้อมูล!

โมเดลความเป็นส่วนตัว: differential privacy

• ระบบ differential privacy สามารถวัดและหาปริมาณความเป็นส่วนตัวในการเผยแพร่ข้อมูลได้
• เป็นหนึ่งในนิยามความเป็นส่วนตัวที่สำคัญที่สุดในปัจจุบัน

โมเดลและการดำเนินการแบบ differentially private

• ผู้คนหันมาใช้โมเดล machine learning และ deep learning แบบ differentially private มากขึ้นเรื่อย ๆ
• ได้ฝึกและรันโมเดล machine learning แบบ differentially private หลากหลายประเภท
• ได้ฝึกแนวคิดขั้นสูง เช่น privacy budget และการติดตาม

ไลบรารีอื่น ๆ ที่น่าสนใจ

$$ $$

• Google's differential privacy
• TensorFlow Privacy
• ARX Data Anonymization Tool

ยินดีด้วย!

ความเป็นส่วนตัวของข้อมูลและการทำให้ข้อมูลไม่ระบุตัวตนด้วย Python