Korrelationsbasierter Ansatz zum Verbergen sensibler Elemente im Data Mining [German]

By Avula Damodaram, Changalasetty Suresh Babu, Kuncham Sreenivasa Rao

Das Hauptziel des Data Mining ist die Extraktion von hochrangigen oder verborgenen Informationen aus gro en Datenbanken. Neben dem Vorteil, n?tzliche Muster zu extrahieren, birgt es auch die Gefahr, dass sensible Informationen des Benutzers preisgegeben werden. Wir k?nnen die sensiblen Informationen des Benutzers verbergen, indem wir Privacy Preservation Data Mining (PPDM) verwenden. Im Data Mining ist das Assoziationsregel-Mining eine beliebte und gut erforschte Methode zur Entdeckung interessanter Beziehungen zwischen Variablen in gro en Datenbanken. Da Assoziationsregeln ein Schl?sselwerkzeug f?r die Suche nach solchen Mustern sind, k?nnen bestimmte Assoziationsregeln als sensibel eingestuft werden, wenn ihr Offenlegungsrisiko ?ber einem bestimmten Schwellenwert liegt. Die meisten Data-Mining-Ans?tze zur Wahrung der Privatsph?re verwenden Unterst?tzung und Vertrauen. Der Autor dieses Buches schl?gt einen korrelationsbasierten Ansatz vor, der andere Ma st?be als Support und Konfidenz verwendet, wie z. B. die Korrelation zwischen Elementen in sensiblen Itemsets, um die sensiblen h?ufigen Itemsets zu verbergen. Spalten im Datensatz, die einen bestimmten Korrelationsschwellenwert aufweisen, werden f?r den Ausblendungsprozess ber?cksichtigt. Dieser Mechanismus wird als Pearson-Korrelationskoeffizienten-W?gungsmechanismus bezeichnet, der den Kompromiss zwischen Privatsph?re und Genauigkeit aufrechterh?lt.

• Format: Paperback
• Language: German
• ISBN: 6205897970
• ISBN13: 9786205897973
• Release Date: April 2023
• Publisher: Verlag Unser Wissen
• Length: 136 Pages
• Weight: 0.46 lbs.
• Dimensions: 0.3" x 6.0" x 9.0"