13、微数据保护技术：噪声添加与拉丁超立方体抽样

微数据保护技术：噪声添加与拉丁超立方体抽样

1. 噪声添加微数据保护方法概述

在数据保护领域，通过添加随机噪声来掩盖微数据的方法已被讨论了近二十年。其基本思想是向数据或其变换形式添加独立生成的噪声。下面介绍几种常见的添加噪声的方法及其特点。

1.1 不同算法特点

• Sullivan 算法 ：对于 Sullivan 的算法，回归分析在处理有限因变量时可能会产生误导，因为多元分布无法维持。该算法能大致维持相关性，尽管存在数值差异。在给定示例中，由于原始数据的极端分布，这些差异比文献中通常提到的要大。若与掩码相关的迭代调整程序有效，Sullivan 算法可调整这些差异，并且该算法能单独保留单变量分布，还允许对离散变量进行掩码处理。
• Kim 算法 ：Kim 的算法常与额外的数据交换结合使用。不过，大量研究表明该算法的掩码效果并不理想，会留下大量未受充分保护的案例。

1.2 保护水平分析

不同算法在保护水平上存在明显差异。以下是一些相关研究的结果：
- Spruill 研究 ：Spruill 分析了添加相关噪声的保护水平，得出若公共变量较少，引入少量误差的发布策略即可；若变量超过 4 - 6 个，则需谨慎处理。
- Kim 算法评估 ：多项研究使用 Winkler 的匹配算法对 Kim 的算法进行测试，结果显示该算法不足以提供充分保护，因此建议进行额外的数据交换。
- Sullivan 算法评估