Abduction et anonymat dans la fouille de données
Cette thèse étudie deux nouveaux problèmes de recherche qui se posent dans la fouille de données moderne : le raisonnement sur les résultats de la fouille de données et les implications sur la vie privée des résultats de la fouille de données. La plupart…
https://www.electronics-engineering.com/fr/abduction-et-anonymat-dans-la-fouille-de-donnees/
Cette thèse étudie deux nouveaux problèmes de recherche qui se posent dans la fouille de données moderne : le raisonnement sur les résultats de la fouille de données et les implications sur la vie privée des résultats de la fouille de données. La plupart des algorithmes de fouille de données reposent sur des techniques inductives, qui cherchent à inférer des informations généralisées à partir des données d’entrée. Mais très souvent, cette étape inductive sur les données brutes ne suffit pas à répondre aux questions de l’utilisateur, et il faut traiter de nouveau les données avec d’autres méthodes d’inférence. Pour répondre à des besoins d’utilisateur de haut niveau tels que l’explication des résultats, nous décrivons un environnement capable d’effectuer un raisonnement abductif (hypothétique), car les solutions de telles requêtes peuvent souvent être vues comme l’ensemble des hypothèses qui satisfont certaines exigences. En utilisant l’abduction fondée sur les coûts, nous montrons comment les algorithmes de classification peuvent être renforcés en effectuant un raisonnement abductif sur les résultats de la fouille de données, ce qui améliore la qualité de la sortie. Un autre domaine de recherche en croissance dans la fouille de données est celui de la fouille de données préservant la vie privée. Grâce à la disponibilité de grandes quantités de données, facilement collectées et stockées par les systèmes informatiques, de nouvelles applications apparaissent, mais malheureusement les préoccupations de vie privée rendent la fouille de données inadaptée. Nous étudions les implications de la fouille de données sur la vie privée dans un contexte mathématique et logique, en nous concentrant sur l’anonymat des personnes dont les données sont analysées. Une théorie formelle de la fouille de données préservant l’anonymat est donnée, avec plusieurs algorithmes préservant l’anonymat pour l’extraction de motifs. L’amélioration en post-traitement des résultats de la fouille de données (en termes d’utilité et de vie privée) est au centre des problèmes étudiés dans cette thèse.






I am the author of this page on “Abduction and Anonymity in Data Mining”. If something is unclear, if you need another example or want to go deeper into a point, write it in the comments below: I answer personally. If the page was useful, leave a star rating at the top of the article.