English  |  正體中文  |  简体中文  |  Items with full text/Total items : 62572/95237 (66%)
Visitors : 2549047      Online Users : 333
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library & TKU Library IR team.
Scope Tips:
  • please add "double quotation mark" for query phrases to get precise results
  • please goto advance search for comprehansive author search
  • Adv. Search
    HomeLoginUploadHelpAboutAdminister Goto mobile version
    Please use this identifier to cite or link to this item: https://tkuir.lib.tku.edu.tw/dspace/handle/987654321/122646

    Title: 資料去識別化到聯盟式學習:跨組織資料分析之隱私議題探討
    Other Titles: From Data Anonymization to Federated Learning: Dealing with Privacy Issues in Interorganzational Data Analysis
    Authors: 李思壯;黃彥男;陳意文
    Keywords: 個人資料保護;資料隱私;去識別化;聯盟式學習
    Date: 2022-03-29
    Issue Date: 2022-04-14 12:11:03 (UTC+8)
    Abstract: 近年來各式資料探勘技術進展迅速,大數據分析不論在實務上或學術上都開始廣泛受到採納。有效整合不同來源的資料能使大數據分析的效益倍增,但若資料中涉及個人資料,多項資料來源的串連將帶來更大的隱私威脅。個人資料法規的進展使得過去數年來資料去識別化的議題廣受重視,而聯盟式學習則提供了另一種毋須先聚合資料,即可共同訓練機器學習模型的可能。本文介紹各國個人資料保護法規中對個人資料的定義如何影響資料共享,並探討資料去識別化及聯盟式學習是否足以協助資料處理者符合現行規範。研究發現,若以合乎目前各國相關規範為目的,去識別化及聯盟式學習均為可行之技術選項,資料處理者可依使用情境挑選兩者中較為適合之機制使用之。
    Relation: 安全與情報研究 5(1),頁63-91
    Appears in Collections:[Graduate Institute & Department of Information and Communication] Journal Article

    Files in This Item:

    File SizeFormat

    All items in 機構典藏 are protected by copyright, with all rights reserved.

    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library & TKU Library IR teams. Copyright ©   - Feedback