Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Protezione della privacy di AWS Clean Rooms ML
Clean Rooms ML è progettato per ridurre il rischio di attacchi di inferenza legati all'appartenenza, in cui il fornitore di dati di formazione può scoprire chi è contenuto nei dati iniziali e il fornitore di dati iniziali può scoprire chi c'è nei dati di formazione. Sono state prese diverse misure per prevenire questo attacco.
Innanzitutto, i fornitori di dati iniziali non osservano direttamente l'output di Clean Rooms ML e i fornitori di dati di formazione non possono mai osservare i dati iniziali. I fornitori di dati iniziali possono scegliere di includere i dati iniziali nel segmento di output.
Successivamente, il modello lookalike viene creato da un campione casuale dei dati di addestramento. Questo esempio include un numero significativo di utenti che non corrispondono al pubblico iniziale. Questo processo rende più difficile determinare se un utente non era presente nei dati, il che è un'altra strada per dedurre l'appartenenza.
Inoltre, è possibile utilizzare più clienti seed per ogni parametro dell'addestramento di modelli lookalike specifici per seme. Questo limita quanto il modello può essere sovradimensionato e quindi quanto si può dedurre su un utente. Di conseguenza, consigliamo che la dimensione minima dei dati iniziali sia di 500 utenti.
Infine, le metriche a livello di utente non vengono mai fornite ai fornitori di dati di formazione, il che elimina un'altra possibilità di attacco inferenziale relativo ai membri.
