做得好！

Data Privacy and Anonymization in Python

Rebeca Gonzalez

Data engineer

你已完成本課程

重點回顧：你學到的內容

• 敏感與非敏感的可識別個人資訊（PII）
• 準標識符
• 連結攻擊
• 資料抑制
• 資料遮罩
• 資料概化
• 合成資料產生
• 針對不同屬性型別的機率分佈取樣

隱私模型：k-匿名性

• 具 k 匿名的資料集
• 探索資料集中的可能組合
• 以階層與範圍進行資料概化
• 避免再識別攻擊
• 且不偽造或隨機化資料！

隱私模型：差分隱私

• 差分隱私系統可衡量並量化資料發布中的隱私
• 當今最重要的隱私定義之一

差分隱私模型與操作

• 越來越多人使用具差分隱私的機器學習與深度學習模型
• 已訓練並執行各類差分隱私機器學習模型！
• 練習了隱私預算與追蹤等進階概念

其他實用函式庫

$$ $$

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

恭喜！

Data Privacy and Anonymization in Python