Abschlussbericht PrivacyUmbrella -Privatheit von Daten sicherstellen durch umfassende Bereitstellung von Anonymisierungsverfahren

Abstract

Bei der Erhebung personenbezogener Daten werden üblicherweise die eindeutigen Identifikatoren der einzelnen Nutzer entfernt, um ihre Identität zu verschleiern. Mit dieser Methode können jedoch Bedenken hinsichtlich des Schutzes der Privatsphäre nicht angemessen berücksichtigt werden, da die einfache Entfernung eindeutiger Kennungen nicht die vollständige Anonymität der Daten garantiert. Die Anwendung von Algorithmen des maschinellen Lernens auf anonymisierte Daten kann trotz ihres geänderten Zustands unbeabsichtigt sensible Informationen über Einzelpersonen innerhalb des Datensatzes offenbaren. In unserem Forschungsbeitrag wurde ein k-Anonymisierungsansatz vorgestellt, der den Simulated Annealing-Algorithmus nutzt, um die Herausforderung des Ausgleichs zwischen Datenschutz und Nutzen zu bewältigen, insbesondere im Zusammenhang mit der Klassifizierungsgenauigkeit. Im Rahmen des Projektes wurde außerdem auf die Einbindung der neuentwickelten Technologien in existierende mobile Endgeräte des Industriepartners (MCS) abgezielt, wobei die beschränkten Rechenkapazitäten dieser Geräte berücksichtigt wird. Vor diesem Hintergrund war ein weiteres Ergebnis die Entwicklung von ressourceneffizienten Algorithmen für ein multitaskfähiges Federated-Learning-Framework mit integrierter Wissensdestillation, das speziell auf heterogene Geräteumgebungen und variierende Labelverteilungen ausgerichtet ist.