วิธีการทำเหมืองข้อมูลรักษาความเป็นส่วนตัว
การทำเหมืองข้อมูลรักษาความเป็นส่วนตัว (Privacy-preserving Data Mining) เป็นการประยุกต์ใช้การวิจัยการทำเหมืองข้อมูลตอบสนองต่อความปลอดภัยความเป็นส่วนตัวในการทำเหมืองข้อมูล เรียกอีกอย่างว่า การทำเหมืองข้อมูลเพิ่มความเป็นส่วนตัว (Privacy-enhanced) หรือ การทำเหมืองข้อมูลที่ไวต่อความเป็นส่วนตัว (Privacy-sensitive) มันจัดการกับการได้ผลลัพธ์การทำเหมืองข้อมูลที่ถูกต้องโดยไม่เปิดเผยค่าข้อมูลที่ละเอียดอ่อน (Sensitive Data Values) พื้นฐาน
แนวทางการทำเหมืองข้อมูลรักษาความเป็นส่วนตัวส่วนใหญ่ ใช้รูปแบบการแปลง (Transformation) ต่างๆ บนข้อมูล เพื่อดำเนินการรักษาความเป็นส่วนตัว โดยทั่วไป วิธีเหล่านี้ลดรายละเอียดของการอธิบาย (Granularity of Representation) เพื่อรักษาความเป็นส่วนตัว
ตัวอย่าง: พวกเขาอาจสรุปข้อมูลจากผู้ใช้รายบุคคล (Individual Users) เป็นกลุ่มผู้ใช้ (User Groups) การลดรายละเอียดนี้ทำให้เกิดการสูญเสียข้อมูล (Information Loss) และอาจสูญเสียประโยชน์ของผลลัพธ์การทำเหมืองข้อมูล นี่คือการแลกเปลี่ยนระหว่างการสูญเสียข้อมูลและความเป็นส่วนตัว
การจัดประเภทวิธีการทำเหมืองข้อมูลรักษาความเป็นส่วนตัว
1. วิธีการสุ่ม (Randomization Methods)
วิธีเหล่านี้เพิ่ม雜訊 (Noise) ให้กับข้อมูล เพื่อบดบังค่าข้อมูลบางค่า 雜訊ที่เพิ่มควรใหญ่พอ ที่ค่าข้อมูลรายบุคคล โดยเฉพาะค่าที่ละเอียดอ่อน จะไม่สามารถดึงคืน (Retrieved) ได้ ต้องเพิ่มอย่างชาญฉลาด ที่ผลลัพธ์สุดท้ายของการทำเหมืองข้อมูลโดยทั่วไปถูกเก็บรักษา มีหลายวิธีที่ออกแบบมาเพื่อดึงการกระจายแบบรวม (Aggregate Distributions) จากข้อมูลที่ถูกรบกวน (Perturbed Data)
2. วิธี k-anonymity และ l-diversity (k-anonymity and l-diversity Methods)
ทั้งสองวิธีเปลี่ยนข้อมูลรายบุคคล ให้ไม่สามารถระบุตัวตนได้เฉพาะเจาะจง ในวิธี k-anonymity รายละเอียดของการแสดงข้อมูลลดลงเพียงพอ ที่ข้อมูลที่กำหนดจะแมปไปยังระเบียนอื่นอย่างน้อย k ระเบียนในข้อมูล ต้องการเทคนิค เช่น การสรุป (Generalization) และการลดทอน (Suppression)
วิธี k-anonymity อ่อนแอในที่ที่ หากมีความสม่ำเสมอของค่าที่ละเอียดอ่อนภายในกลุ่ม ค่านั้นๆ สามารถอนุมานได้สำหรับข้อมูลที่เปลี่ยนแล้ว โมเดล l-diversity ถูกออกแบบมาเพื่อจัดการจุดอ่อนนี้ โดยบังคับให้มีความหลากหลายภายในกลุ่ม (Intragroup Diversity) ของค่าที่ละเอียดอ่อน เพื่อให้การทำให้ไม่ระบุตัวตน (Anonymization) เกิดขึ้น วัตถุประสงค์คือทำให้เพียงพอที่จะยากสำหรับ敵对者 (Adversaries) ในการใช้การรวมกันของแอตทริบิวต์ข้อมูล เพื่อระบุระเบียนรายบุคคลอย่างแม่นยำ
3. การรักษาความเป็นส่วนตัวแบบกระจาย (Distributed Privacy Preservation)
ชุดข้อมูลขนาดใหญ่สามารถแบ่งพาร์ติชันและกระจายได้ ทั้งแบบแนวนอน (Horizontally - ชุดข้อมูลแบ่งเป็นชุดย่อยหลายชุดและกระจายไปหลายไซต์) หรือ แบบแนวตั้ง (Vertically - ชุดข้อมูลแบ่งและกระจายตามแอตทริบิวต์) หรือผสมของทั้งสอง แม้ไซต์เดี่ยวจะไม่จำเป็นต้องแชร์ชุดข้อมูลทั้งหมด พวกเขาอาจยินยอมให้แชร์ข้อมูลจำกัดด้วยการใช้โปรโตคอลบางอย่าง ผลรวมของวิธีดังกล่าวคือการสนับสนุนความเป็นส่วนตัวสำหรับแต่ละวัตถุรายบุคคล ในขณะที่สร้างผลลัพธ์รวมเหนือข้อมูลบางส่วน
4. การลดประสิทธิภาพผลลัพธ์การทำเหมืองข้อมูล (Downgrading the Effectiveness of Data Mining Results)
ในบางกรณี แม้ข้อมูลจะไม่สามารถเข้าถึงได้ ผลลัพธ์ของการทำเหมืองข้อมูล (เช่น กฎการเชื่อมโยง และโมเดลการจัดประเภท) อาจนำไปสู่การละเมิดความเป็นส่วนตัว วิธีแก้คือการลดประสิทธิภาพของการทำเหมืองข้อมูล โดยการเปลี่ยนแปลงข้อมูลหรือผลลัพธ์การทำเหมือง เช่น การซ่อนบางกฎการเชื่อมโยง หรือบิดเบือนบางโมเดลการจัดประเภทเล็กน้อย
