資料去識別化到聯盟式學習:跨組織資料分析之隱私議題探討
學年 110
學期 2
出版(發表)日期 2022-03-29
作品名稱 資料去識別化到聯盟式學習:跨組織資料分析之隱私議題探討
作品名稱(其他語言) From Data Anonymization to Federated Learning: Dealing with Privacy Issues in Interorganzational Data Analysis
著者 李思壯; 黃彥男; 陳意文
單位
出版者
著錄名稱、卷期、頁數 安全與情報研究 5(1),頁63-91
摘要 近年來各式資料探勘技術進展迅速,大數據分析不論在實務上或學術上都開始廣泛受到採納。有效整合不同來源的資料能使大數據分析的效益倍增,但若資料中涉及個人資料,多項資料來源的串連將帶來更大的隱私威脅。個人資料法規的進展使得過去數年來資料去識別化的議題廣受重視,而聯盟式學習則提供了另一種毋須先聚合資料,即可共同訓練機器學習模型的可能。本文介紹各國個人資料保護法規中對個人資料的定義如何影響資料共享,並探討資料去識別化及聯盟式學習是否足以協助資料處理者符合現行規範。研究發現,若以合乎目前各國相關規範為目的,去識別化及聯盟式學習均為可行之技術選項,資料處理者可依使用情境挑選兩者中較為適合之機制使用之。
關鍵字 個人資料保護;資料隱私;去識別化;聯盟式學習
語言 zh_TW
ISSN
期刊性質 國內
收錄於
產學合作
通訊作者
審稿制度
國別 TWN
公開徵稿
出版型式 ,電子版,紙本
相關連結

機構典藏連結 ( http://tkuir.lib.tku.edu.tw:8080/dspace/handle/987654321/122646 )