Zenodo (CERN European Organization for Nuclear Research)·10月21日 · 周三论文农业人工智能与决策模型阅读 0
Differential-Privacy Evaluation for Computer Agriculture Cooperative Yield Aggregation Under Smallholder Re-Identification Risk: An Artificial Intelligence Membership-Inference Audit
Momodou Lamin Bah · Haddy Trawally
论文解读
69接近精选线
速览
用成员推断审计评估小农户合作社产量聚合的差分隐私预算与可检测效应。
方法
设计研究，基于BACI估计量与2000次重复模拟，分析聚类数和隐私预算的影响。
发现
检测5个百分点效应需54个聚类，超出所有考察规模，差分隐私还会增大残差方差。
机会点
可研究小样本合作社下隐私预算与统计功效的权衡，开发联合报告隐私与推断边界的审计工具。
影响力8
信息增量21
专业深度18
信源权威12
时效性10
设计研究提出将隐私预算、组内相关与可检测效应联合报告的成员推断审计协议，方法新颖但无实测数据，属细分方法学进展。
原文摘要
合作产量聚合是小农户收成转化为农业人工智能训练数据的标准路径，然而这些聚合数据所附带的隐私保障，很少针对小农户成员身份实际带来的再识别风险进行审计。本分析将差分隐私预算视为成员推断审计的设计参数，并通过解析推导与重复实验，刻画当隐私机制叠加于合作社层级聚合之上时，前后对照影响估计量（before-after-control-impact estimator）的表现。本分析属于设计研究：不使用也不主张任何观测数据。在声明的方差结构下——组间标准差=6.0、残差标准差=4.5、组内相关系数=0.640——针对聚类数为8、16、24和32以及效应量为3、5和8个百分点的设计单元，每个单元重复2000次以估计检验功效。该设计需要54个聚类才能在80%功效下检测到5个百分点的效应，这一要求超过了所考察的所有聚类数，而差分隐私机制只会通过膨胀残差方差使情况进一步恶化。本研究的贡献在于一套成员推断审计协议，该协议联合报告隐私预算、组内相关系数和可检测效应，从而使合作社的披露声明与其推断声明受到同一套算术的约束。