应用视角：估算示例性 SOEP 数据集差异可识别性风险
An applied Perspective: Estimating the Differential Identifiability Risk of an Exemplary SOEP Data Set
AI总结：
本文针对真实世界数据发布中的匿名化需求，扩展了差异可识别性风险度量，展示了基本统计查询的高效计算方法，并基于 SOEP 数据集进行了实证分析，揭示了现实条件下的计算挑战。
摘要：
使用真实世界研究数据通常需要签订合同协议，其中研究结果只能以匿名化形式发布。要求提供形式化隐私保证（如差分隐私）可能有助于数据驱动项目遵守数据保护规定。然而，在消费者用例中部署差分隐私提出了解释其底层机制及由此产生的隐私保证的需求。在本文中，我们彻底审查并扩展了一个现有的隐私度量。我们展示了如何针对一组基本统计查询高效计算该风险度量。我们基于一个广泛的真实世界科学数据集进行的实证分析扩展了关于如何在现实条件下计算风险的知识，同时提出了比解决方案更多的挑战。
英文摘要：
Using real-world study data usually requires contractual agreements where research results may only be published in anonymized form. Requiring formal privacy guarantees, such as differential privacy, could be helpful for data-driven projects to comply with data protection. However, deploying differential privacy in consumer use cases raises the need to explain its underlying mechanisms and the resulting privacy guarantees. In this paper, we thoroughly review and extend an existing privacy metric. We show how to compute this risk metric efficiently for a set of basic statistical queries. Our empirical analysis based on an extensive, real-world scientific data set expands the knowledge on how to compute risks under realistic conditions, while presenting more challenges than solutions.
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。
