his.sePublikationer
Ändra sökning
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
On the Analysis of Utility and Risk for Masked Data in Big Data: A Small Data Analysis
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab (SAIL))ORCID-id: 0000-0002-0368-8037
2018 (Engelska)Ingår i: Frontiers in Artificial Intelligence and Applications: Artificial Intelligence Research and Development / [ed] Zoe Falomir, Karina Gibert, Enric Plaza, IOS Press , 2018, Vol. 308, s. 200-209Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Data privacy studies methods to ensure that disclosure of sensitive information does not take place. Masking methods are applied to databases prior to their release so that intruders cannot access sensitive information. Masking methods modify the data reducing its quality. Information loss measures have been defined to evaluate in what extent data is still useful for particular analysis. In the case of big data, masking data and evaluating its utility is a complex problem. In this paper we focus on information loss measurement and we explore if we can estimate or give bounds of information loss for large data sets using only random subsets of the whole data set.

Ort, förlag, år, upplaga, sidor
IOS Press , 2018. Vol. 308, s. 200-209
Serie
Frontiers in Artificial Intelligence and Applications, ISSN 0922-6389, E-ISSN 1879-8314 ; 308
Nyckelord [en]
big data, correlation coefficients, data utility, Information loss, statistical databases, statistics, Data privacy, Risk assessment, Complex problems, Correlation coefficient, Data utilities, Information loss measures, Random subsets, Sensitive informations, Statistical database
Nationell ämneskategori
Annan data- och informationsvetenskap Mediateknik
Forskningsämne
Skövde Artificial Intelligence Lab (SAIL); INF301 Data Science; INF303 Informationssäkerhet
Identifikatorer
URN: urn:nbn:se:his:diva-16353DOI: 10.3233/978-1-61499-918-8-200Scopus ID: 2-s2.0-85055285689ISBN: 9781614999171 (tryckt)ISBN: 978-1-61499-918-8 (digital)OAI: oai:DiVA.org:his-16353DiVA, id: diva2:1262607
Konferens
CCIA 2018, 21st International Conference of the Catalan Association for Artificial Intelligence Catalonia, Spain, 8-10th October 2018
Tillgänglig från: 2018-11-12 Skapad: 2018-11-12 Senast uppdaterad: 2019-02-14Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Sök vidare i DiVA

Av författaren/redaktören
Torra, Vicenc
Av organisationen
Institutionen för informationsteknologiForskningscentrum för Informationsteknologi
Annan data- och informationsvetenskapMediateknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 198 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