Approche base sur la corrlation pour cacher des lments sensibles dans l'exploration de donnes

L'objectif principal de l'exploration de données est d'extraire des informations de haut niveau ou cachées à partir de grandes bases de données. Outre l'avantage d'extraire des modèles utiles, il présente également le risque de révéler les informations sensibles de l'utilisateur. Nous pouvons cacher les informations sensibles de l'utilisateur en utilisant l'exploration de données pour la préservation de la vie privée (PPDM). Dans l'exploration de données, l'exploration de règles d'association est une méthode populaire et bien étudiée pour découvrir des relations intéressantes entre des variables dans de grandes bases de données. Les règles d'association étant un outil clé pour trouver de tels modèles, certaines règles d'association peuvent être classées comme sensibles si leur risque de divulgation est supérieur à un certain seuil spécifié. La plupart des approches d'exploration de données préservant la vie privée utilisent le soutien et la confiance. L'auteur de cet ouvrage a proposé une approche basée sur la corrélation qui utilise des mesures autres que le soutien et la confiance, telles que la corrélation entre les éléments des ensembles sensibles, afin de masquer les ensembles fréquents sensibles. Les colonnes de l'ensemble de données ayant une valeur seuil de corrélation spécifiée sont prises en compte pour le processus de masquage.