Απόκρυψη γνώσης σε δέντρα απόφασης

Περίληψη

Η έρευνα αυτή εστιάζει στην αναδυόμενη ανάγκη για ανταλλαγή δεδομένων μεταξύ των διαφόρων οργανισμών. Σε αυτή τη διδακτορική διατριβή παρουσιάζουμε δύο διαφορετικές προσεγγίσεις για την απόκρυψη των κανόνων δέντρων αποφάσεων. Στην πρώτη, προτείνουμε μια τεχνική look-ahead χρησιμοποιώντας γραμμικές Διοφαντικές εξισώσεις για να προσθέσουμε τον κατάλληλο αριθμό παρατηρήσεων διατηρώντας την αρχική εντροπία των κόμβων. Αυτή η μέθοδος προσθέτει μια βελτιστοποιημένη οπτική γωνία σε μια υπάρχουσα μέθοδο και μπορεί να χρησιμοποιηθεί για να κρύψει έναν ή περισσότερους κανόνες δέντρων αποφάσεων, διαδοχικά ή παράλληλα. Αυτή η μέθοδος υιοθετεί μια προσέγγιση αύξησης παρατηρήσεων, τροποποιώντας επίσης τις τιμές των κλάσεων για την απόκρυψη των κριτηρίων κριτικής ταξινόμησης σε δυαδικά σύνολα δεδομένων. Στην συνέχεια παρουσιάζουμε μια νέα τεχνική, τη μέθοδο της απόκρυψης με τοπική παραμόρφωση (LDH), που δεν επηρεάζει τις τιμές των κλάσεων των ευαίσθητων παρατηρήσεων, όπως συμβαίνει στην προηγούμενη τ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

My research is motivated by the emerging need for privacy-safe sharing among different organizations. In this doctoral thesis, we present two different approaches to hiding decision tree rules. In the first one, we propose a look-ahead technique using linear Diophantine equations to add the appropriate number of instances while maintaining the initial entropy of the nodes. This method adds an optimizing look-ahead perspective to an existing method, and it can be used to hide one or more decision tree rules, sequentially or in parallel. This method adopts a record augmentation approach by also modifying the class labels to hide critical classification rules in binary datasets. Moreover, we present a novel technique, Local Distortion Hiding (LDH), which does not affect the class labels of the sensitive instances, as our previous techniques do, but instead modifies the attributes’ values of these specific instances. Such a hiding methodology, as well as the first one, is preferred over o ...
περισσότερα
Η διατριβή είναι δεσμευμένη από τον συγγραφέα  (μέχρι και: 11/2022)
Το πλήρες κείμενο της διατριβής είναι διαθέσιμο σε έντυπη μορφή από τη Βιβλιοθήκη Επιστήμης και Τεχνολογίας του ΕΚΤ
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/46573
ND
46573
Εναλλακτικός τίτλος
Knowledge hiding in decision trees
Συγγραφέας
Φερετζάκης, Γεώργιος Γρηγόριος
Ημερομηνία
2019
Ίδρυμα
Ελληνικό Ανοικτό Πανεπιστήμιο (ΕΑΠ). Σχολή Θετικών Επιστημών και Τεχνολογίας. Τμήμα Πληροφορικής
Εξεταστική επιτροπή
Καλλές Δημήτριος
Βερύκιος Βασίλειος
Μακρής Χρήστος
Καμέας Αχιλλέας
Χατζηλυγερούδης Ιωάννης
Τζώρτζης Χρήστος
Κωτσιαντής Σωτήριος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμες Ηλεκτρονικών Υπολογιστών & Πληροφορικής
Λέξεις-κλειδιά
Δέντρα απόφασης; Μηχανική μάθηση; Αλγόριθμοι τεχνητής νοημοσύνης; Απόκρυψη δεδομένων; Διοφαντικές εξισώσεις; Προστασία δεδομένων; Απόκρυψη κανόνων στα δέντρα απόφασης
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
122 σ., πιν., σχημ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:Creative Commons Αναφορά Δημιουργού Μη εμπορική Χρήση Παρόμοια Διανομή 3.0 Ελλάδα