23、多维度探索：机器学习中的访问控制与隐私保护

多维度探索：机器学习中的访问控制与隐私保护

在当今数字化时代，机器学习在各个领域的应用愈发广泛，无论是构建人工智能系统，还是从用户故事中提取访问控制信息，都离不开先进的技术和创新的框架。本文将深入探讨两个重要方面：一是通过机器学习从用户故事中生成访问控制策略，二是用于多利益相关者的机密机器学习框架Perun。

1. 从用户故事中生成访问控制策略

1.1 模型评估

在从用户故事中提取访问控制信息的研究中，对Transformers、CNN和SVM三种模型进行了评估，具体的平均F1分数如下表所示：
| 模型 | 组件 | F1分数 |
| — | — | — |
| Transformers | 访问控制分类 | 91.9% ± 2.0 |
| | 命名实体识别 | 87.3% ± 3.4 |
| | 访问类型分类 | 83.2% ± 4.4 |
| CNN | 访问控制分类 | 84.3% ± 4.1 |
| | 命名实体识别 | 86.7% ± 3.6 |
| | 访问类型分类 | 79.1% ± 5.4 |
| SVM | 访问控制分类 | 84.4% ± 1.3 |
| | 命名实体识别 | 69.8% ± 3.9 |
| | 访问类型分类 | 73.2% ± 4.3 |

从表格数据可以看出，Transformers模型在所有类别中表现最佳，CNN紧随其后。特别值得注意的是，在命名实体识别任务中，CNN的表现几乎与Transformers相当，而SVM在该类别中的表现最差。不过，Transformers模型虽然优于CNN和SVM，但提升幅度并未