오토인코더를 이용한 데이터 비식별화

국문 초록 (Abstract)

비식별 처리된 개인정보를 포함한 데이터를 제3자에게 제공하는 것이 본격적으로 가능하게 된 데이터법이 국회를 통과하면서 비식별 처리에 대한 중요성이 더욱 증가하고 있다. 비식별 처리는 기본적으로 데이터에서 특정 개인을 식별할 수 있는 가능성을 일정 수준 이하로 낮추는 방법인데 익명성, 다양성, 근접성 등에 기반한 모형을 사용한 마스킹과 범위 변환 방법이 널리 사용된다. 이 방법들은 이해가 쉬운 장점이 있으나 정보손실을 작게 유지하면서 데이터를 변환시키는 데에는 어려움이 있다. 마스킹, 범위화 이외에도 다양한 비식별화 방법에 대한 연구가 이루어지고 있다. 본 논문에서는 오토인코더 딥러닝을 사용하여 원자료에 대한 식별성을 낮추어 개인정보를 최대한 보호하면서 동시에 정보손실은 최소화할 수 있는 데이터 비식별화 방법을 제안한다. UCI 기계학습 데이터를 이용하여 제안 방법의 성능평가를 수행한다.

다국어 초록 (Multilingual Abstract)

The importance of de-identification processing is increasing as the data law, which made it possible to provide data including de-identified personal information to third parties, passed the National Assembly. De-identification processing is basically a method of reducing the possibility of identifying a specific person in data below a certain level. Masking and range conversion methods based on anonymity, diversity, and proximity have been widely used. These methods have the advantage of being easy to understand, but have difficulty in converting data while keeping information loss small. In addition to masking and categorization, various methods of de-identification have been researched. In this paper, we propose a data de-identification method that can protect personal information as much as possible while minimizing the identity of the original data by using autoencoder deep learning. To verify the performance of the proposed method, we make experiments using UCI machine learning data.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련 연구
• 3. 오토인코더를 이용한 데이터 비식별화
• 4. 실험 및 결과
• 5. 결론 및 향후 연구
• References

참고문헌 (Reference)

1 전성해, "통계적 텍스트 마이닝을 이용한 빅 데이터 전처리" 한국지능시스템학회 25 (25): 470-476, 2015

2 김혜련, "통계적 목적의 개인정보보호와 비식별화" 통계청 35-51, 2016

3 신용녀, "바이오인식을 이용한 원격의료에서의 개인정보보호" 한국지능시스템학회 20 (20): 659-664, 2010

4 박민정, "마이크로데이터 공표를 위한 통계적 노출제어 방법론 고찰" 한국통계학회 29 (29): 1041-1059, 2016

5 김승환, "데이터 비식별화를 이용한 빅데이터 통합" 한국지능시스템학회 29 (29): 235-241, 2019

6 L. Sweeney, "k-anonymity : A model for protecting privacy" 10 (10): 557-570, 2002

7 A. Gionis, "k-Anonymization with Minimal Loss of Information" 21 (21): 206-219, 2009

8 "UCI ML Repository, UC Irvine Machine Learning Repository"

9 P. Vincent, "Stacked Denoising Autoencoders : Learning Useful Representations in a Deep Network with a Local Denoising Criterion" 11 : 3371-3408, 2010

10 S. L. Lohr, "Sampling: Design and Analysis" CRC Press 2019

11 S. K. Thompson, "Sampling" John Wiley & Sons 2012

12 Erlingsson, U., "RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response" ACM 2014

13 C. Caballero-Gil, "Providing k-anonymity and revocation in ubiquitous VANETs" 36 : 482-494, 2016

14 P. Baldi, "Neural Networks and Principal Component Analysis : Learning from Examples Without Local Minima" 2 : 53-58, 1989

15 D. H. Ballard, "Modular learning in neural networks" 1 : 279-284, 1987

16 K. P. Murphy, "Machine Learning: A Probabilistic Perspective" MIT Press 2012

17 S. Theodoridis, "Machine Learning A Bayesian and Optimization Perspective" Elsevier 2015

18 D. E. Rumelhart, "Learning representations by back-propagating errors" 323 : 533-536, 1986

19 R. Vidal, "Generalized Principal Component Analysis" Springer 2016

20 P. Nousi, "Deep autoencoders for attribute preserving face de-identification" 81 : 115699-, 2020

21 I. Goodfellow, "Deep Learning" MIT Press 2016

22 F. Dernoncourt, "De-identification of patient notes with recurrent neural networks" 24 (24): 596-606, 2017

23 S. Garfinkel, "De-Identification of Personal Information"

24 N. Man, "A Privacy Protection Model Based On K-Anonymity" 153 : 15-19, 2018