La préservation de la vie privée pour clustering

Abstract

La vie privée et la publication des données sont souvent considérées comme une contradiction. Le clustering est une méthode d’apprentissage non supervisée qui combine des éléments d’entrée similaires en groupes, utilisés dans de nombreux domaines allant de l’analyse commerciale aux soins médicaux. Dans bon nombre de ces applications, des informations sensibles sont collectées et qui en principe ne devraient pas être divulguées. Dans notre travail, nous abordons le problème de l’anonymat des données appliqué au clustering de données, en d’autres termes, comment protéger un ensemble de données contre la ré-identification des individus tout en gardant la qualité des données pour le clusterning. Notre méthode proposée consiste à perturbé le dataset original en utilisant la technique CTGAN qui permet de générer des données synthétique pour remplacer les données d’origine.