Clustering que Preserva a Privacidade por Transformação de Dados

Apesar de seu benefício em uma ampla gama de aplicações, as técnicas de mineração de dados também levantaram uma série de questões éticas. Alguns desses problemas incluem questões de privacidade, segurança dos dados, direitos de propriedade intelectual, entre muitos outros. Neste artigo, abordamos o problema da privacidade em relação ao uso secundário não autorizado de informações. Para isso, introduzimos uma família de métodos de transformação geométrica de dados (GDTMs) que garantem que o processo de mineração não violará a privacidade até um certo grau de segurança. Focamos principalmente na preservação da privacidade em clustering de dados, notavelmente em métodos baseados em partição e hierárquicos. Nossos métodos propostos distorcem apenas atributos numéricos confidenciais para atender aos requisitos de privacidade, enquanto preservam características gerais para análise de clustering. Nossos experimentos demonstram que nossos métodos são eficazes e fornecem valores aceitáveis na prática para equilibrar privacidade e precisão. Relatamos os principais resultados de nossa avaliação de desempenho e discutimos algumas questões de pesquisa em aberto.