NO.1 论文简介
深度学习技术在自然语言处理、图像识别等领域都取得了非凡的突破，是近几年人工智能领域的主要研究方向，其被广泛应用于训练深度学习模型。在实际应用中，为了确保生成模型的泛化能力，模型训练者需要从各数据持有方收集大量样本数据，并将各方数据聚合起来作为输入，如此训练的深度学习模型功能更加强大、预测结果更加准确，可以进行更全面的数据分析，以支持更好的决策。例如，服务于不同区域的多家医院可以共享电子健康记录（EHR），以训练更高质量的医疗服务模型。然而，在数据收集过程中，可能会导致用户个人敏感信息泄露，而且云服务器隐私泄露事件层出不穷，因此用户可能不愿将自身数据以明文的形式上传并供深度学习模型分析。因此许多研究将受限于训练数据获取难度大，标注成本高等原因，导致训练的模型往往存在过拟合的问题，难以满足深度学习分析。因此数据作为深度学习的驱动力，保证其可用性和隐私性势在必行。为实现数据的安全共享，本文提出了一种面向动态博弈的k-匿名隐私保护数据共享方案。
NO.2 主要贡献
（1）引入动态博弈和k-匿名设计了数据匿名化方案，首先以数据使用方的需求为依据进行动态博弈过程，然后用动态博弈的结果对数据进行k-匿名，在保护数据隐私的同时实现了数据的安全共享。
NO.3 研究结论
笔者提出了一种面向动态博弈的k-匿名隐私保护数据共享方案，在此方案中，数据拥有者根据数据使用者的需求策略与其进行动态博弈，并依据博弈结果对自身数据进行k-匿名。随后评估匿名数据的隐私性、可用性和信息丢失来优化匿名策略，保护了数据拥有者隐私信息的同时提高了数据的可用性，方案的整个流程实现了高效的数据安全共享。详细的安全性分析表明，所提方案可以保证数据的机密性。最后对方案进行了实验分析，与其他方案相比，本方案隐私化后训练的分类模型的准确性高，且具有较低的计算开销，表明该方案具有高效性和可行性。值得注意的是，本文提出的数据共享方案应用场景广泛，可实现跨领域、跨区域的多方数据共享。
NO.4 论文资助
国家自然科学基金（61562059，62162039）
甘肃省自然科学基金（20JR5RA467）
NO.5 作者介绍
曹来成（1965—），男，教授，
E-mail：caolch @lut.edu.cn。
E-mail：1467957375@qq.com。
E-mail：fengt@lut.edu.cn。
E-mail：iamxg@163.com。
·引用格式·
曹来成, 后杨宁, 冯涛, 郭显. 面向动态博弈的k-匿名隐私保护数据共享方案(2024) [J/OL]. 西安电子科技大学学报, [2024-03-08]. https://doi.org/10.19665/j.issn1001-2400.20240201
“扫描二维码查看原文”
https://link.cnki.net/doi/10.19665/j.issn1001-2400.20240201
编辑：许瀚樱
校对：杨 薇
审核：牛姗姗
· 优文推荐 2024年第3期 ·
· 优文推荐 2024年第2期 ·
优文推荐 | 考虑HPSA的IRS辅助室内VLC系统光源优化
优文推荐 | 抗理性敌手共谋的安全K-prototype聚类
· 推荐阅读 ·
- 联系我们 -
xuebao@mail.xidian.edu.cn
