Increasing polynomial regression complexity for data anonymization
Visualitza/Obre
Cita com:
hdl:2117/13376
Tipus de documentText en actes de congrés
Data publicació2007
EditorIEEE Computer Society
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Pervasive computing and the increasing networking needs usually demand from publishing data without revealing sensible
information. Among several data protection methods proposed in the literature, those based on linear regression are widely used for numerical data. However, no attempts
have been made to study the effect of using more complex polynomial regression methods. In this paper, we present PoROP-k, a family of anonymizing methods able to protect a
data set using polynomial regressions. We show that PoROP-k not only reduces the loss of information, but it also obtains a better level of protection compared to previous proposals based on linear regressions.
CitacióNin, J. [et al.]. Increasing polynomial regression complexity for data anonymization. A: International Conference on Intelligent Pervasive Computing. "2007 International Conference on Intelligent Pervasive Computing". Jeju Island: IEEE Computer Society, 2007, p. 29-34.
ISBN0-7695-3006-0
Col·leccions
- DAMA-UPC - Data Management Group de la Universitat Politècnica de Catalunya - Ponències/Comunicacions de congressos [21]
- Departament d'Arquitectura de Computadors - Ponències/Comunicacions de congressos [1.945]
- Departament de Teoria del Senyal i Comunicacions - Ponències/Comunicacions de congressos [3.313]
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Nin.pdf | 318,7Kb | Visualitza/Obre |