29、并非免费午餐，但价格实惠：匿名数据集上的分类器性能

并非免费午餐，但价格实惠：匿名数据集上的分类器性能

1. 引言

在当今的数据驱动时代，数据分类算法（分类器）在众多实际应用中得到了广泛使用，如人脸识别、语音识别、文本分析、欺诈和异常检测、推荐系统、天气预报以及医学图像分析等。然而，在许多现实场景中，训练数据由不同的实体生成和管理，这些实体往往不愿意将数据共享给分析者，因为数据可能包含隐私敏感信息，其披露可能引发隐私问题。

为了解决这个问题，研究人员探索了多种方法，主要可分为两类：一类是基于加密的方法，通过安全计算分类器模型，但这类方法扩展性不佳，且通常仅针对特定的分类算法设计；另一类是数据匿名化技术，在发布数据集之前，将数据中的值替换为更通用的表示形式。本文主要聚焦于数据匿名化技术在数据分类中的应用。

1.1 问题陈述

数据提供者希望将数据集 T 发布给数据分析者，用于构建分类器模型。数据提供者希望通过匿名化方法保护数据集，防止个人与敏感信息关联。例如，健康中心希望与医学研究中心共享患者记录，但为了保护患者隐私，只能共享匿名化后的数据集。

数据分析者获得匿名化数据后，希望训练分类器，但不清楚在共享的匿名化数据上，哪种分类器的性能更优。这一知识将有助于分析者根据所采用的匿名化技术、数据集属性和期望的性能指标，决定训练哪种分类器。

1.2 研究贡献

为了解决上述问题，本文通过回答以下研究问题，对匿名数据集上的分类器性能进行了研究：
- RQ1 ：不同分类算法在匿名数据集上训练时，性能会发生怎样的变化？
- RQ2 ：哪些分类器受匿名化技术的影响更大？