his.sePublikationer
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Big Data Privacy and Anonymization
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab)ORCID-id: 0000-0002-0368-8037
Department of Information and Communication Engineering, Universitat Autònoma de Barcelona, Catalonia, Spain.
2016 (Engelska)Ingår i: Privacy and Identity Management. Facing up to Next Steps: 11th IFIP WG 9.2, 9.5, 9.6/11.7, 11.4, 11.6/SIG 9.2.2 International Summer School, Karlstad, Sweden, August 21-26, 2016, Revised Selected Papers / [ed] Anja Lehmann, Diane Whitehouse, Simone Fischer-Hübner, Lothar Fritsch, Charles Raab, Springer, 2016, s. 15-26Kapitel i bok, del av antologi (Refereegranskat)
Abstract [en]

Data privacy has been studied in the area of statistics (statistical disclosure control) and computer science (privacy preserving data mining and privacy enhancing technologies) for at least 40 years. In this period models, measures, methods, and technologies have been developed to effectively protect the disclosure of sensitive information.

The coming of big data, with large volumes of data, dynamic and streaming data, poses new challenges to the field. In this paper we will review some of these challenges and propose some lines of research in the field.

Ort, förlag, år, upplaga, sidor
Springer, 2016. s. 15-26
Serie
IFIP Advances in Information and Communication Technology, ISSN 1868-4238, E-ISSN 1868-422X ; 498
Nyckelord [en]
sensitive information, data privacy, data mining algorithm, user privacy, differential privacy
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Skövde Artificial Intelligence Lab (SAIL)
Identifikatorer
URN: urn:nbn:se:his:diva-17743DOI: 10.1007/978-3-319-55783-0_2ISI: 000460572100002Scopus ID: 2-s2.0-85017524604ISBN: 978-3-319-55782-3 (tryckt)ISBN: 978-3-319-55783-0 (digital)OAI: oai:DiVA.org:his-17743DiVA, id: diva2:1355997
Anmärkning

Also part of the IFIP AICT Tutorials book sub series (Tutorials, volume 498)

Tillgänglig från: 2019-09-30 Skapad: 2019-09-30 Senast uppdaterad: 2019-10-02Bibliografiskt granskad

Open Access i DiVA

fulltext(205 kB)47 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 205 kBChecksumma SHA-512
3eaca10366d030bde82521331cbd6847d9e1067eee1a77ce3fcad18c36ce656e32cfa04c55693f95d18ad8e939b6636a950528825f762f86daa6499264ccbb07
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Torra, Vicenç

Sök vidare i DiVA

Av författaren/redaktören
Torra, Vicenç
Av organisationen
Institutionen för informationsteknologiForskningscentrum för Informationsteknologi
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 47 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 112 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf