Linkage Deanonymization Risks, Data-Matching and Privacy: A Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Data anonymization is a widely used solution for preserving users' privacy in data publishing. It is achieved through Privacy Preserving Data Publishing (PPDP), which provides a set of models, tools, and methods to defend against the privacy threats. However, data anonymization has been considered insufficient to protect data privacy for years. New de-anonymization techniques increase the risk of breaching privacy protection through data anonymization. Previous researchers write papers on de-anonymization techniques. In most cases, the dataset used for simulation had a limited range and small scale. In this paper, we aim to evaluate the potential of large-scale datasets being vulnerable to linkage attacks with external social media network data. The data set resource comes from the April 2023 Labour Force Survey (Statistics Canada, 2023). The team estimates the probability of successful linkage attacks of a dataset drawn from the entire population with published attributes that could be linked with publicly available data with the same individually specific attributes. The result shows that the estimated deanonymization risks for each of Newfoundland and Labrador, Prince Edward Island, and Manitoba are 12.5%, 12.5% and 1.9% respectively. It can be summarized that de-anonymization risk is inversely proportional to the underlying population size (or number of entries). It is intuitive in that the more diverse the population, the less risk of deanonymization through linkage with selected attributes. Therefore, we conclude that a more extensive scaling and more comprehensive entries dataset decreases the probability of successful linkage de-anonymization attacks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle