Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Adaptive Approach on Credit Card Fraud Detection Using Transaction Aggregation and Word Embeddings Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

A Two-Levels Data Anonymization Approach

verfasst von : Sarah Zouinina, Younès Bennani, Nicoleta Rogovschi, Abdelouahid Lyhyaoui

Erschienen in: Artificial Intelligence Applications and Innovations

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The amount of devices gathering and using personal data without the person’s approval is exponentially growing. The European General Data Protection Regulation (GDPR) came following the requests of individuals who felt at risk of personal privacy breaches. Consequently, privacy preservation through machine learning algorithms were designed based on cryptography, statistics, databases modeling and data mining. In this paper, we present two-levels data anonymization methods. The first level consists of anonymizing data using an unsupervised learning protocol, and the second level is anonymization by incorporating the discriminative information to test the effect of labels on the quality of the anonymized data. The results show that the proposed approaches give good results in terms of utility what preserves the trade-off between data privacy and its usefulness.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Α Benchmarking of IBM, Google and Wit Automatic Speech Recognition Systems
Nächstes Kapitel An Innovative Graph-Based Approach to Advance Feature Selection from Multiple Textual Documents
Literatur
1.
Bennani, Y.: Adaptive weighting of pattern features during learning. In: IJCNN 1999. International Joint Conference on Neural Networks. Proceedings. vol. 5, pp. 3008–3013. IEEE Service Center, Piscataway, NJ (1999)
2.
Davies, D., Bouldin, D.: A cluster separation measure. IEEE Trans. Pattern Anal. Mach. Intell. PAMI–1(2), 224–227 (1979)
3.
Domingo-Ferrer, J., Soria-Comas, J., Mulero-Vellido, R.: Steered microaggregation as a unified primitive to anonymize data sets and data streams. IEEE Trans. Inf. Forensics Secur. 14(12), 3298–3311 (2019)
4.
Hundepool, A., et al.: Statistical Disclosure Control. John Wiley, Hoboken (2012)
5.
Inan, A., Kantarcioglu, M., Bertino, E.: Using anonymized data for classification. In: IEEE 25th International Conference on Data Engineering, pp. 429–440 (2009)
6.
7.
LeFevre, K., DeWitt, D.J., Ramakrishnan, R.: Workload-aware anonymization. In: KDD 2006, pp. 277–286 (2006)
8.
Khan, S., Iqbal, K., Faizullah, S., Fahad, M., Ali, J., Ahmed, W.: Clustering based privacy preserving of big data using fuzzification and anonymization operation. ArXiv abs/2001.01491 (2019)
9.
Kim, S., Chung, Y.D.: An anonymization protocol for continuous and dynamic privacy-preserving data collection. Future Gener. Comput. Syst. 93, 1065–1073 (2019)
10.
Kohonen, T.: Self-organizing Maps. Springer, Berlin (1995)MATH
11.
Martin, B.: Instance-based learning: Nearest neighbour with generalisation. Master’s Thesis, Computer Science Department, Hamilton, New Zealand, University of Waikato (1995)
12.
Raghunathan, B.: The Complete Book of Data Anonymization: From Planning to Implementation. CRC Press, Boca Raton (2013)
13.
Rodríguez-Hoyos, A., Estrada-Jiménez, J., Rebollo-Monedero, D., Parra-Arnau, J., Forné, J.: Does \(k\)-anonymous microaggregation affect machine-learned macrotrends? IEEE Access 6, 28258–28277 (2018)
14.
Rubner, Y., Tomasi, C., Guibas, L.J.: The earth mover’s distance as a metric for image retrieval. Int. J. Comput. Vision 40(2), 99–121 (2000)MATH
15.
Sharma, A., Singh, G., Rehman, S.: A review of big data challenges and preserving privacy in big data. In: Kolhe, M.L., Tiwari, S., Trivedi, M.C., Mishra, K.K. (eds.) Advances in Data and Information Sciences. LNNS, vol. 94, pp. 57–65. Springer, Singapore (2020). https://​doi.​org/​10.​1007/​978-981-15-0694-9_​7
16.
Sweeney, L.: K-anonymity: a model for protecting privacy. Int. J. Uncertain. Fuzziness Knowl.-Based Syst. 10(5), 557–570 (2002)MathSciNetMATH
17.
Venkataramanan, N., Shriram, A.: Data Privacy: Principles and Practice. Chapman & Hall/CRC, Boca Raton (2016)
18.
Zhang, J., Honavar, V.: Learning from attribute value taxonomies and partially specified instances, Washington, DC, USA, pp. 880–887 (2003)
19.
Zhao, H., Fu, Y.: Dual-regularized multi-view outlier detection. In: IJCAI (2015)
20.
Zouinina, S., Bennani, Y., Ben-Fares, M., Lyhyaoui, A., Rogovschi, N.: Preserving utility during attribute-oriented data anonymization process. Aust. J. Intell. Inf. Process. Syst. 16(3), 25–35 (2019)
21.
Zouinina, S., Grozavu, N., Bennani, Y., Lyhyaoui, A., Rogovschi, N.: Efficient k-anonymization through constrained collaborative clustering. In: IEEE Symposium Series on Computational Intelligence, SSCI 2018 (2018)
22.
Zouinina, S., Grozavu, N., Bennani, Y., Lyhyaoui, A., Rogovschi, N.: A topological k-anonymity model based on collaborative multi-view clustering. In: Kůrková, V., Manolopoulos, Y., Hammer, B., Iliadis, L., Maglogiannis, I. (eds.) ICANN 2018. LNCS, vol. 11141, pp. 817–827. Springer, Cham (2018). https://​doi.​org/​10.​1007/​978-3-030-01424-7_​79
Metadaten
Titel
A Two-Levels Data Anonymization Approach
verfasst von
Sarah Zouinina
Younès Bennani
Nicoleta Rogovschi
Abdelouahid Lyhyaoui
Copyright-Jahr
2020
Buch
Artificial Intelligence Applications and Innovations

Print ISBN: 978-3-030-49160-4

Electronic ISBN: 978-3-030-49161-1

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-49161-1_8

Premium Partner

    Bildnachweise