دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st ed.
نویسندگان: Josep Domingo-Ferrer. Krishnamurty Muralidhar
سری: Lecture Notes in Computer Science 12276
ISBN (شابک) : 9783030575205, 9783030575212
ناشر: Springer International Publishing;Springer
سال نشر: 2020
تعداد صفحات: 371
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 24 مگابایت
کلمات کلیدی مربوط به کتاب حریم خصوصی در پایگاه های داده آماری: کرسی یونسکو در حریم خصوصی داده ها، کنفرانس بین المللی، PSD 2020، تاراگونا، اسپانیا، 23 تا 25 سپتامبر 2020، مجموعه مقالات: علوم کامپیوتر، داده کاوی و کشف دانش، ذخیره و بازیابی اطلاعات، کامپیوتر و جامعه
در صورت تبدیل فایل کتاب Privacy in Statistical Databases: UNESCO Chair in Data Privacy, International Conference, PSD 2020, Tarragona, Spain, September 23–25, 2020, Proceedings به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب حریم خصوصی در پایگاه های داده آماری: کرسی یونسکو در حریم خصوصی داده ها، کنفرانس بین المللی، PSD 2020، تاراگونا، اسپانیا، 23 تا 25 سپتامبر 2020، مجموعه مقالات نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مجموعه مقالات داوری کنفرانس بینالمللی حریم خصوصی در
پایگاههای داده آماری، PSD 2020، در تاراگونا، اسپانیا، در
سپتامبر 2020 با حمایت کرسی یونسکو در حریم خصوصی دادهها
برگزار شد.
25 مقالات کامل اصلاح شده ارائه شده به دقت بررسی و از بین 49
مورد ارسالی انتخاب شدند. مقالات در موضوعات زیر سازماندهی شده
اند: مدل های حریم خصوصی؛ حفاظت از داده های میکرو؛ حفاظت از
جداول آماری؛ حفاظت از پایگاه های اطلاعاتی تعاملی و تحرک؛ ثبت
پیوند و روش های جایگزین؛ داده های مصنوعی؛ کیفیت داده؛ و
مطالعات موردی.
فصل «توضیح مدلهای یادگیری ماشین تکرارشونده: حریم خصوصی
یکپارچه بازبینی شده» تحت یک مجوز بینالمللی Creative Commons
Attribution 4.0 از طریق link.springer.com با دسترسی آزاد در
دسترس است.
This book constitutes the refereed proceedings of the
International Conference on Privacy in Statistical Databases,
PSD 2020, held in Tarragona, Spain, in September 2020 under
the sponsorship of the UNESCO Chair in Data Privacy.
The 25 revised full papers presented were carefully reviewed
and selected from 49 submissions. The papers are organized
into the following topics: privacy models; microdata
protection; protection of statistical tables; protection of
interactive and mobility databases; record linkage and
alternative methods; synthetic data; data quality; and case
studies.
The Chapter “Explaining recurrent machine learning models:
integral privacy revisited” is available open access under a
Creative Commons Attribution 4.0 International License via
link.springer.com.
Front Matter ....Pages i-xi
Front Matter ....Pages 1-1
\( P_{\alpha ,\beta } \)-Privacy: A Composable Formulation of Privacy Guarantees for Data Publishing Based on Permutation (Nicolas Ruiz)....Pages 3-20
\(\epsilon \)-Differential Privacy for Microdata Releases Does Not Guarantee Confidentiality (Let Alone Utility) (Krishnamurty Muralidhar, Josep Domingo-Ferrer, Sergio Martínez)....Pages 21-31
A Bayesian Nonparametric Approach to Differentially Private Data (Fadhel Ayed, Marco Battiston, Giuseppe Di Benedetto)....Pages 32-48
A Partitioned Recoding Scheme for Privacy Preserving Data Publishing (Chris Clifton, Eric J. Hanson, Keith Merrill, Shawn Merrill, Amjad Zahraa)....Pages 49-61
Explaining Recurrent Machine Learning Models: Integral Privacy Revisited (Vicenç Torra, Guillermo Navarro-Arribas, Edgar Galván)....Pages 62-73
Utility-Enhancing Flexible Mechanisms for Differential Privacy (Vaikkunth Mugunthan, Wanyi Xiao, Lalana Kagal)....Pages 74-90
Plausible Deniability (David Sidi, Jane Bambauer)....Pages 91-105
Front Matter ....Pages 107-107
Analysis of Differentially-Private Microdata Using SIMEX (Anne-Sophie Charest, Leila Nombo)....Pages 109-120
An Analysis of Different Notions of Effectiveness in k-Anonymity (Tanja àarčević, David Molnar, Rudolf Mayer)....Pages 121-135
Multivariate Top-Coding for Statistical Disclosure Limitation (Anna Oganian, Ionut Iacob, Goran Lesaja)....Pages 136-148
Front Matter ....Pages 149-149
Calculation of Risk Probabilities for the Cell Key Method (Tobias Enderle, Sarah Giessing, Reinhard Tent)....Pages 151-165
On Different Formulations of a Continuous CTA Model (Goran Lesaja, Ionut Iacob, Anna Oganian)....Pages 166-179
Front Matter ....Pages 181-181
Privacy Analysis of Query-Set-Size Control (Eyal Nussbaum, Michael Segal)....Pages 183-194
Statistical Disclosure Control When Publishing on Thematic Maps (Douwe Hut, Jasper Goseling, Marie-Colette van Lieshout, Peter-Paul de Wolf, Edwin de Jonge)....Pages 195-205
Front Matter ....Pages 207-207
Bayesian Modeling for Simultaneous Regression and Record Linkage (Jiurui Tang, Jerome P. Reiter, Rebecca C. Steorts)....Pages 209-223
Probabilistic Blocking and Distributed Bayesian Entity Resolution (Ted Enamorado, Rebecca C. Steorts)....Pages 224-239
Secure Matrix Computation: A Viable Alternative to Record Linkage? (Jörg Drechsler, Benjamin Klein)....Pages 240-254
Front Matter ....Pages 255-255
A Synthetic Supplemental Public Use File of Low-Income Information Return Data: Methodology, Utility, and Privacy Implications (Claire McKay Bowen, Victoria Bryant, Leonard Burman, Surachai Khitatrakun, Robert McClelland, Philip Stallworth et al.)....Pages 257-270
Integrating Differential Privacy in the Statistical Disclosure Control Tool-Kit for Synthetic Data Production (Natalie Shlomo)....Pages 271-280
Advantages of Imputation vs. Data Swapping for Statistical Disclosure Control (Satkartar K. Kinney, Charlotte B. Looby, Feng Yu)....Pages 281-296
Front Matter ....Pages 297-297
Evaluating Quality of Statistical Disclosure Control Methods – VIOLAS Framework (Olga Dzięgielewska)....Pages 299-308
Detecting Bad Answers in Survey Data Through Unsupervised Machine Learning (Najeeb Moharram Jebreel, Rami Haffar, Ashneet Khandpur Singh, David Sánchez, Josep Domingo-Ferrer, Alberto Blanco-Justicia)....Pages 309-320
Front Matter ....Pages 321-321
Private Posterior Inference Consistent with Public Information: A Case Study in Small Area Estimation from Synthetic Census Data (Jeremy Seeman, Aleksandra Slavkovic, Matthew Reimherr)....Pages 323-336
Differential Privacy and Its Applicability for Official Statistics in Japan – A Comparative Study Using Small Area Data from the Japanese Population Census (Shinsuke Ito, Takayuki Miura, Hiroto Akatsuka, Masayuki Terada)....Pages 337-352
Disclosure Avoidance in the Census Bureau’s 2010 Demonstration Data Product (David Van Riper, Tracy Kugler, Steven Ruggles)....Pages 353-368
Back Matter ....Pages 369-370