19、数据保护中的掩码后优化与CASC项目解析

数据保护中的掩码后优化与CASC项目解析

在数据保护领域，如何平衡信息损失和披露风险一直是关键问题。本文将介绍掩码后优化方法以及CASC（Computational Aspects of Statistical Confidentiality）项目，探讨它们在数据保护中的应用和效果。

1. 整体评分与数据关联

在数据保护中，我们需要评估掩码后数据集与原始数据集之间的差异。整体评分公式如下：
- 整体评分： Overall score = 0.5 · IL + 0.125 · DLD + 0.125 · PLD + 0.25 · ID
- 简化评分（仅使用DLD记录关联方法）： Score = 0.5 · IL + 0.25 · DLD + 0.25 · ID

评分越低，说明方法越好。在计算信息损失（IL）和识别风险（ID）时，需要定义原始数据集X和掩码数据集X′中记录的对应关系。通常，我们使用d维欧几里得距离将每个发布的掩码记录i映射到最近的原始记录c(i)。

2. 掩码后优化

当原始数据集X被掩码为X′后，掩码后优化的目标是将X′修改为X′′，使得X′′尽可能保留X的一阶和二阶矩，同时将IL1保持在规定值附近。

2.1 模型

• 一阶矩：依赖于 ∑(i=1 to n) xij / n （j = 1, …, d），其中xij是第i条记录中第j个变量的值。
• 二阶矩：依赖于 ∑(i=1 to n) xij² / n （j = 1, …, d）