Вплив k-анонімності на продуктивність моделей машинного навчання: емпіричне дослідження
Анотація
Швидке зростання цифрових даних і широке використання методів машинного навчання моделей посилили занепокоєння щодо захисту персональної інформації. Анонімізація даних широко використовується для зменшення ризиків їх конфіденційності шляхом перетворення наборів даних перед аналізом. Однак, такі перетворення можуть зменшити корисність даних і негативно вплинути на продуктивність моделей машинного навчання. Проаналізовано вплив анонімізації даних на основі k-анонімності на продуктивність процесу класифікації даних з використанням набору даних Adult Income. У цьому наборі персональні дані було позначено як квазіідентифікатори, атрибути яких узагальнюються та пригнічуються для досягнення різних рівнів анонімності k = {5, 10, 20}, а моделі машинного навчання навчаються як на оригінальних, так і на анонімізованих наборах даних. Після навчання моделі оцінюються з використанням підмножини оригінального набору даних. Продуктивність кожного рівня k-анонімності в експерименті базується на accuracy, recall, precision та F1-score. Експериментальні результати демонструють, що збільшення рівня анонімізації призводить до поступового зниження прогностичної продуктивності моделей машинного навчання. Метрика точності прогнозування Accuracy зазнає тільки помірного впливу: воно знижується від 0,828-0,84 на оригінальному наборі даних і до 0,798-0,81 – на сильно анонімізованих даних. Істотніші зміни спостерігаються для метрик recall та F1-score: з 0,586-0,626 на оригінальному наборі даних до 0,435-0,555 – на сильно анонімізованих даних. Ці зміни вказують на втрату здатності моделей правильно ідентифікувати позитивні приклади, що погіршує продуктивність і надійність моделі. Водночас, помірні рівні анонімізації, у діапазоні k = 5-10, забезпечують розумний баланс між конфіденційністю даних і аналітичною їх корисністю. Отримані результати підтверджують існування компромісу між збереженням конфіденційності даних та продуктивністю моделей і вказують на важливість вибору відповідних параметрів їх анонімізації у процесах машинного навчання. З'ясовано, деякі моделі машинного навчання, такі як Gradient Boosting, продемонстрували кращу продуктивність на анонімізованих даних порівняно з іншими, що може допомогти обрати відповідний алгоритм для конкретного рівня анонімізації даних.
Завантаження
Посилання
Abbasi, W., Mori, P., & Saracino, A. (2024). Further Insights: Balancing Privacy, Explainability, and Utility in Machine Learning-based Tabular Data Analysis. Proceedings of the 19th International Conference on Availability, Reliability and Security (ARES 2024), pp. 1–10. https://doi.org/10.1145/3664476.3670901
Arbelaez, A., & Climent, L. (2025). Iterative local search for preserving data privacy. Applied Intelligence, article number 189. https://doi.org/10.1007/s10489-024-05909-w
Carvalho, T. M., Moniz, N., Faria, P., & Antunes, L. (2023). Survey on Privacy-Preserving Techniques for Microdata Publication. ACM Computing Surveys, 55(14s), 1–37. https://doi.org/10.1145/3588765
De Capitani di Vimercati, S., & Samarati, P. (2021). k-Anonymity. In: Jajodia, S., Samarati, P., Yung, M. (Eds). Encyclopedia of Cryptography, Security and Privacy. Springer, pp. 1–5. https://doi.org/10.1007/978-3-642-27739-9_754-2
De Capitani di Vimercati, S., Foresti, S., Livraga, G., & Samarati, P. (2023). k-Anonymity: From Theory to Applications. Transactions on Data Privacy, 16(1), 25–49. URL: https://www.tdp.cat/issues21/tdp.a460a22.pdf
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451
Gadotti, A., Rocher, L., Houssiau, F., Creţu, A.-M., & de Montjoye, Y.-A. (2024). Anonymization: The imperfect science of using data while preserving privacy. Science Advances, 10(29), article ID eadn7053. https://doi.org/10.1126/sciadv.adn7053
Géron, A. (2019). Hands-on machine learning with scikit-learn, keras, and tensorflow (2end edition). OReilly Media, pp. 19-30. URL: https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/
Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4th ed.). Elsevier, pp. 23–26. https://doi.org/10.1016/C2013-0-18660-6
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer, pp. 15–155. https://doi.org/10.1007/978-3-031-38747-0
Karagiannis, S., Ntantogian, C., Magkos, E., Tsohou, A., & Ribeiro, L. L. (2024). Mastering data privacy: leveraging k-anonymity for robust health data sharing. International Journal of Information Security, 23, 2189–2201. https://doi.org/10.1007/s10207-024-00838-8
Manocchio, L. D., Layeghy, S., Gwynne, D., & Portmann, M. (2024). A configurable anonymisation approach for network flow data: Balancing utility and privacy. Computers & Security / Computers and Electrical Engineering, vol. 118. https://doi.org/10.1016/j.compeleceng.2024.109465
Rainio, O., Teuho, J., & Klén, R. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports 14, article ID 6086. https://doi.org/10.1038/s41598-024-56706-x
Sweeney, L. (2000). Simple demographics often identify people uniquely. Carnegie Mellon University, Data Privacy Working Paper, vol 3. URL: https://dataprivacylab.org/projects/identifiability/
Torra, V., & Navarro-Arribas, G. (2023). Attribute disclosure risk for k-anonymity: the case of numerical data. International Journal of Information Security, 22, 2015–2024. https://doi.org/10.1007/s10207-023-00730-x
Torskyi, O. I., & Hrytsiuk, Y. I. (2025). Application of machine learning to enhance the efficiency of automated software testing. Scientific Bulletin of UNFU, 35(4), 142-149. https://doi.org/10.36930/40350416
Verdonck, J., De Boeck, K., Willocx, M., Lapon, J., & Naessens, V. (2023). A hybrid anonymization pipeline to improve the privacy-utility balance in sensitive datasets for ML purposes. Proceedings of the 18th International Conference on Availability, Reliability and Security (ARES 2023), pp. 1–11. https://doi.org/10.1145/3600160.3600168
Veseliak, V. V., & Hrytsiuk, Y. I. (2024). Machine learning methods in epidemiological research. Scientific Bulletin of UNFU, 34(4), 59–67. https://doi.org/10.36930/40340408
Yuan, S., Yu, J., Yang, T., & Chen, C. (2025). Unitanony: a fine-grained and practical anonymization framework for better data utility. Cybersecurity, 8, article number 43. https://doi.org/10.1186/s42400-024-00345-2
Zhao, Y., & Chen, J. (2022). A Survey on Differential Privacy for Unstructured Data Content. ACM Computing Surveys, 54(10s), article ID 207, 1–28. https://doi.org/10.1145/3490237
