AWS Clean Rooms添加機器學習和差分隱私功能，強化數據應用與隱私安全性

AWS更新其安全部據共享服務Clean Rooms，除了添加機器學習支持，協助用戶在不共享原始數據的情況下應用機器學習模型，同時也加入了差分隱私（Differential Privacy）功能，在協作聚合數據分析結果時，模糊個人數據的貢獻。

Clean Rooms服務可讓企業(yè)和其合作伙伴安全協作數據處理，提供一種不共享原始數據就能協作和分析數據的方法，在追求效率和預測精確度的同時，也能安全地合作。Clean Rooms內置隱私控制功能，能以權限控制Clean Rooms成員所執(zhí)行的查詢和輸出。

新功能Clean Rooms ML則允許用戶使用機器學習模型生成預測性分析，同時保護敏感數據。而這項功能其中一項主要應用，是創(chuàng)建市場營銷用途的相似用戶群組，像是航空公司可以和線上預訂服務合作，針對類似特征的用戶進行營銷活動；汽車貸款和汽車保險公司也可以識別，與現有租賃車主類似特征的潛在汽車保險客戶。這項功能同樣也能用于加速研究機構和醫(yī)院的臨床研究，找到與現有臨床試驗者相似的候選人。

Clean Rooms ML會于每一次組織數據共享合作中，訓練一個由AWS管理的模型，協助用戶快速生成相似數據集，省去用戶自行創(chuàng)建、訓練和部署模型的時間。Clean Rooms ML還提供了許多靈活的控制功能，使用戶和其合作伙伴，可以調整機器學習模型預測結果。

AWS Clean Rooms現在也提供差分隱私功能，系統會在用戶的查詢結果，添加經過仔細校準的誤差，也就是噪聲，讓查詢結果足夠準確，在提供有意義的分析結果的同時，也屏蔽來自特定個人的數據貢獻。差分隱私功能包括了一個隱私預算組件，通過將隱私作為每次執(zhí)行查詢時消耗的有限資源，控制用戶數據集執(zhí)行的查詢數量，確保噪聲不能被平均，確保不會泄漏任何個人數據。當隱私預算耗盡時，在預算增加或是刷新之前，都無法于數據集中執(zhí)行更多的查詢。

差分隱私是一項增強數據共享時隱私保護的技術，能夠分享描述數據庫中部分統計特征，又不公開特定個人資訊，不過缺點就是有其實例門檻，而Clean Rooms差分隱私功能，讓應用該技術變得更容易，用戶只需要對數據表激活差分隱私功能，并在協作中配置差分隱私政策，就能簡單地應用該技術。