Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Datenschutz von AWS Clean Rooms ML
Clean Rooms ML wurde entwickelt, um das Risiko von Mitgliedschaftsinferenzangriffen zu verringern, bei denen der Anbieter der Trainingsdaten herausfinden kann, wer in den Startdaten enthalten ist, und der Anbieter der Startdaten kann herausfinden, wer in den Trainingsdaten enthalten ist. Es werden mehrere Schritte unternommen, um diesen Angriff zu verhindern.
Erstens beobachten Anbieter von Startdaten die Ergebnisse von Clean Rooms ML nicht direkt, und Anbieter von Trainingsdaten können die Startdaten niemals beobachten. Anbieter von Startdaten können sich dafür entscheiden, die Startdaten in das Ausgabesegment aufzunehmen.
Als Nächstes wird das Lookalike-Modell aus einer Zufallsstichprobe der Trainingsdaten erstellt. Diese Stichprobe umfasst eine signifikante Anzahl von Benutzern, die nicht der Startzielgruppe entsprechen. Durch diesen Prozess ist es schwieriger festzustellen, ob ein Benutzer nicht in den Daten enthalten war. Dies ist eine weitere Möglichkeit, Rückschlüsse auf die Mitgliedschaft zu ziehen.
Außerdem können mehrere Seed-Kunden für jeden Parameter des Trainings mit einem Seed-spezifischen Lookalike-Modell verwendet werden. Dadurch wird begrenzt, wie stark das Modell überdimensioniert werden kann und wie viel daraus Rückschlüsse auf einen Benutzer gezogen werden können. Daher empfehlen wir, dass die Mindestgröße der Startdaten 500 Benutzer beträgt.
Schließlich werden den Anbietern von Schulungsdaten niemals Kennzahlen auf Benutzerebene zur Verfügung gestellt, sodass eine weitere Möglichkeit für einen Angriff auf Mitgliedschaftsabschlüsse ausgeschlossen ist.
