Identification des informations sensibles dans des sources de données hétérogènes
Bibliographic record
Abstract
Afin de respecter les normes en vigueur, les entreprises et les organisations sont tenues de gérer et protéger les données produites par leurs employés. Cette obligation légale représente un réel défi en raison de la diversité et du volume conséquent de ces données. L'objectif du système proposé est de prévenir la diffusion inappropriée de données sensibles pour identifier automatiquement les violations de sécurité, en détectant ces données sensibles aux seins des documents. On s'assure ainsi que les documents qui circulent dans l'entreprise respectent les lois et règlements en vigueur tels la Loi sur la protection des renseignements personnels et les documents électroniques (LPRPDE, Canada), le Health Insurance Portability and Accountability Act (HIPAA, USA) ou encore le Règlement général sur la protection des données (RGPD, Europe). L'approche consiste tout d'abord à identifier la ou les thématiques des documents et à utiliser ces informations pour choisir les modèles de détection de données sensibles les mieux adaptés au contexte. Ces modèles sont issus de l'entraînement d'algorithmes d'apprentissage automatique sur des documents répertoriés comme appartenant à une ou des thématiques précises. Un travail d'annotation manuelle des données sensibles dans des documents dits «d'affaires» a été effectué afin de produire un corpus de référence. L'évaluation qui a pu être menée grâce à ce corpus a permis de déterminer si la détection du domaine en tant qu'étape préliminaire est bénéfique et si les modèles entraînés sont efficaces. Nous avons montré une amélioration dans la détection de certains types d'informations sensibles lorsque le modèle adéquat est appliqué sur les documents. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Protection de la vie privée, Législation, Apprentissage automatique, Reconnaissance des entités nommées, Détection de domaine, Données massives
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.048 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.013 | 0.010 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".