Korrelationsbasierter Ansatz zum Verbergen sensibler Elemente im Data Mining

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.