带隐私保证的数据脱敏

研究者提出一种带隐私保证的数据脱敏方法，使在脱敏数据上训练的分类器与在原始数据上训练的分类器保持相近，兼顾隐私保护与数据可用性。理论分析显示，该方法的风险低于传统输入扰动方法，且训练样本越多优势越明显。该方法在 12 个基准数据集上验证了对隐私敏感学习的有效性。