替代值替换能否保留 PHI 可检测性：一项多检测器等价性研究

查看 PDF HTML（实验性）

摘要：保持结构的去标识化会将每个检测到的标识符替换为逼真的同类型替代值（“Anna S.” -> “Maria S.”），而不是诸如 [NAME] 之类的标签。如果下游 PHI 检测器不再识别这些替代值，那么“藏于明处”的保护和二次安全网就会被削弱。我们提出：在去标识化器实际替换的片段上，检测器发现替代值的频率是否与发现原始值一样高？我们将此称为可检测性保持，并将其视为一种代理指标，而非效用的完整度量。我们的配对协议：(i) 仅在已替换片段上评估可检测性，与覆盖率分开；(ii) 在原始文本和转换后文本上运行相同的异构检测器面板；(iii) 使用文档级聚类自助法等价性检验和后验概率而非显著性检验来界定配对变化。对于一种商业转换在 7 种语言的 7 个临床和通用 PII 基准上（1,750 份文档，5,333 个已替换片段，11 个检测器），掩码片段召回率从 75.8% 变为 74.6%（变化量的 90% CI 为 [-1.62, -0.82] 个百分点；后验概率 > 0.99 落在 +/-2 个百分点内）。在密集的西班牙语和荷兰语文本上，变化达到 2-3 个百分点，且已替换片段比未替换片段更容易被检测到（+16.6 个百分点），因此该结果仅描述已替换群体。覆盖率是一个独立的、较弱的维度（MEDDOCAN 上金标准 PHI 的 48%）。在金融、法律和企业文本上（750 份文档，10 个检测器），汇总结果得到复现（72.4% -> 72.8%），但基于规则和微调的检测器在金融领域损失 2-4 个百分点，且该转换编辑了大量非 PII 文本。脱敏和 Faker 基线提供了参考点。我们发布逐片段预测和分析代码。

评论：	v2：修正了 v1 的金标准片段重投影和统计分析（见附录 A），并增加了金融、法律和企业实验。15 页，3 幅图，13 张表。代码、数据和逐片段预测：此 https URL ；仪表板：此 https URL
主题：	人工智能（cs.AI）；机器学习（cs.LG）
引用为：	arXiv:2608.03172 [cs.AI]
	（或 arXiv:2608.03172v5 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2608.03172 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Qiming Bao [查看电子邮件]
[v1] 2026年8月4日星期二 06:04:18 UTC（23 KB）
[v2] 2026年8月6日星期四 08:29:28 UTC（23 KB）
[v3] 2026年8月13日星期四 03:45:55 UTC（27 KB）
[v4] 2026年10月12日星期一 09:26:12 UTC（28 KB）
[v5] 2026年10月14日星期三 07:46:56 UTC（28 KB）