Approche basée sur la corrélation pour cacher des éléments sensibles dans l'exploration de données

L'objectif principal de l'exploration de donn es est d'extraire des informations de haut niveau ou cach es partir de grandes bases de donn es. Outre l'avantage d'extraire des mod les utiles, il pr sente galement le risque de r v ler les informations sensibles de l'utilisateur. Nous pouvons cacher les informations sensibles de l'utilisateur en utilisant l'exploration de donn es pour la pr servation de la vie priv e (PPDM). Dans l'exploration de donn es, l'exploration de r gles d'association est une m thode populaire et bien tudi e pour d couvrir des relations int ressantes entre des variables dans de grandes bases de donn es. Les r gles d'association tant un outil cl pour trouver de tels mod les, certaines r gles d'association peuvent tre class es comme sensibles si leur risque de divulgation est sup rieur un certain seuil sp cifi . La plupart des approches d'exploration de donn es pr servant la vie priv e utilisent le soutien et la confiance. L'auteur de cet ouvrage a propos une approche bas e sur la corr lation qui utilise des mesures autres que le soutien et la confiance, telles que la corr lation entre les l ments des ensembles sensibles, afin de masquer les ensembles fr quents sensibles. Les colonnes de l'ensemble de donn es ayant une valeur seuil de corr lation sp cifi e sont prises en compte pour le processus de masquage.