Privacy Preserving Machine Learning using Deidentification Techniques for HR and Payroll Data
Notice bibliographique
Résumé
The use of machine learning in Human Resources (HR) and payroll systems represents significant capability gains for automation, decision-making, and operational efficiencies.However, this transition process raises significant concerns related to the protection of sensitive employee data.Privacy-preserving computer scientific methods, like deidentification (removing or altering identifiers such that the individual cannot be identified), are becoming an increasingly important way to preserve privacy while maintaining the richness of datasets for use in analytical research.The purpose of this review article is to provide a comprehensive report on various privacy-preserving techniques, especially de-identification techniques common to HR and payroll data.The review will include real-world examples of privacy-preserving methods, including CV de-identification, clustering of quasi-identifiers (QI), narrative-level deidentification, and federated learning (model training without the data leaving the local source, but sharing model updates).The article looks at implications for privacy and utility trade-offs, assesses potential reidentification risks, and summarizes innovations in secured data, such as format-preserving transformations (anonymizing and preserving values such as IDs/dates) and voice anonymization.The review article considers issues identified in the current literature, as well as policy implications and future directions for utilizing secure and compliant machine learning frameworks in human resource settings.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».