Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Protection de la confidentialité d'AWS Clean Rooms ML
Clean Rooms ML est conçu pour réduire le risque d'attaques par inférence d'adhésion, dans le cadre desquelles le fournisseur de données de formation peut savoir qui figure dans les données de départ et le fournisseur de données de départ peut savoir qui figure dans les données de formation. Plusieurs mesures sont prises pour empêcher cette attaque.
Tout d'abord, les fournisseurs de données sur les semences n'observent pas directement les résultats de Clean Rooms ML et les fournisseurs de données de formation ne peuvent jamais observer les données sur les semences. Les fournisseurs de données sur les semences peuvent choisir d'inclure les données sur les semences dans le segment de sortie.
Ensuite, le modèle similaire est créé à partir d'un échantillon aléatoire des données d'entraînement. Cet échantillon comprend un nombre important d'utilisateurs qui ne correspondent pas à l'audience initiale. Ce processus rend plus difficile de déterminer si un utilisateur ne figurait pas dans les données, ce qui constitue un autre moyen de déduire l'appartenance.
En outre, plusieurs clients de semences peuvent être utilisés pour chaque paramètre de la formation de modèles similaires spécifiques à une graine. Cela limite dans quelle mesure le modèle peut être surajusté, et donc ce qui peut être déduit sur un utilisateur. Par conséquent, nous recommandons que la taille minimale des données de départ soit de 500 utilisateurs.
Enfin, les métriques au niveau des utilisateurs ne sont jamais fournies aux fournisseurs de données de formation, ce qui élimine toute autre possibilité d'attaque par inférence d'adhésion.
