伪装分类器：敏感分类任务中的假名化策略
Cloaked Classifiers: Pseudonymization Strategies on Sensitive Classification Tasks
AI总结：
本文探讨了在GDPR等法规下共享敏感NLP数据时平衡数据效用与隐私保护的问题，提出了一种手动对多语言激进化数据集进行假名化的方法，确保性能与原始数据相当，并分享了完整的假名化流程、指南及最终数据集。
摘要：
在共享数据时，保护隐私至关重要，尤其是在可能包含个人信息的在线激进化数据集中。本文探讨了在保留数据效用与确保稳健的隐私保护之间取得平衡的方法，因为欧洲GDPR等法规规定了个人信息的处理方式。我们分享了手动对多语言激进化数据集进行假名化的方法，确保其性能与原始数据相当。此外，我们通过分享完整的假名化流程、指南、遇到的挑战以及最终生成的数据集，强调了为处理敏感NLP数据建立全面指南的重要性。
英文摘要：
Protecting privacy is essential when sharing data, particularly in the case of an online radicalization dataset that may contain personal information. In this paper, we explore the balance between preserving data usefulness and ensuring robust privacy safeguards, since regulations like the European GDPR shape how personal information must be handled. We share our method for manually pseudonymizing a multilingual radicalization dataset, ensuring performance comparable to the original data. Furthermore, we highlight the importance of establishing comprehensive guidelines for processing sensitive NLP data by sharing our complete pseudonymization process, our guidelines, the challenges we encountered as well as the resulting dataset.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
