دانلود مقاله حفظ حریم خصوصی در داده کاوی با بهینه سازی فازی
چکیده
مقدمه و مطالب مرتبط
بیان مسئله
چارچوب بهینه سازی چند هدفه
محدودیت های فازی برای بهینه سازی چند هدفه
مجموعه بهینه پارتو برای بهینه سازی چند هدفه
آزمایشات محاسباتی
نتیجه گیری
منابع
Abstract
Introduction and related works
Problem statement
Multi-objective optimization framework
Fuzzy constraints for multi-objective optimization
Pareto-optimal set for multi-objective optimization
Computational experiments
Conclusion
References
چکیده
این مقاله حریم خصوصی داده های فردی را در حین محاسبات مشترک در روش داده کاوی با استفاده از یک مدل بهینه سازی پیشنهاد می کند. مشکل حریم خصوصی با استفاده از روش های مختلف حل می شود. راه حل برای حریم خصوصی فردی به عنوان یک مدل بهینه سازی چند هدفه در نظر گرفته می شود. در عمل، نیاز به حفظ حریم خصوصی از کاربری به کاربر دیگر متفاوت است. بنابراین، ابهام ذاتی برای حریم خصوصی افراد ایجاد می کند. در این مقاله ابهام در نظر گرفته شده و مشکل حریم خصوصی با روش بهینه سازی فازی حل می شود. مدل بهینه‌سازی چند هدفه فازی پیشنهاد شده است که به عنوان یک روش حفظ حریم خصوصی تکمیلی برای پرداختن به مسائل حریم خصوصی فردی استفاده شود. محدودیت‌های فازی برای حل مدل‌ها بر اساس الزامات حریم خصوصی کاربران ایجاد می‌شوند. دامنه مجموعه فازی برای مسئله بهینه‌سازی برای برآوردن الزامات حریم خصوصی فردی در یک محیط محاسباتی استفاده می‌شود. راه حل پیشنهادی به صاحبان داده اجازه می دهد تا سطح حریم خصوصی خود را در صورت تقاضا، با حداکثر انعطاف پذیری انتخاب کنند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
This article proposes the individual data privacy during collaborative computation in data mining method using an optimization model. The privacy problem is solved using different methodologies. The solution for individual privacy is considered as a multi-objective optimization model. Practically, the requirement for privacy varies from user to user. Therefore, it generates inherent vagueness for individual privacy. In this article, the vagueness is considered and the privacy problem is solved by a fuzzy optimization method. The fuzzy multi-objective optimization model is proposed to be used as a supplementary privacy method to address individual privacy issues. The fuzzy constraints are generated to solve the models on the basis of the privacy requirements of users. The fuzzy set domain for the optimization problem is used to fulfil the individual privacy requirements in a computing environment. The proposed solution allows data owners to choose their own privacy level on demand, with maximum flexibility.
Introduction
Privacy-preserving data mining (PPDM) is an emerging field in data-mining research, where cost and privacy are issues for secure computation in distributed data-mining systems (Kumar and Mohbey 2019). In such systems, the data owner and data miner are under well understanding for the datamining task during the release of private data by the data owner (Mendes and Vilela 2017). In many cases, they maintain their monolithic (common/unique) privacy where the data owner does not choose their own privacy during distributed computation (Shajin and Rajesh 2020). Under these circumstances, several options are available to the data owner regarding the privacy of their own private data (Rajesh and Shajin 2020). Therefore, this type of data-mining problem can be considered as an optimization problem to solve individual privacy issues (Zhao et al. 2018). Sin et al. (2020) analyze General Model for Privacy-Preserving Data Mining which helped to privacy model of data during mining. Purohit and Bhargava (2017) presented a data-mining approach to extract valuable data from wide multiple-information sources.
Conclusion
In this article, a multi-objective fuzzy optimization model was proposed for individual privacy with fuzzy demands in data mining. As well as the optimality, the performance was verified using real-time data sets from the UCI machine learning repository. The results of this work can be used in real-time applications to include personal safety, security and privacy. These data can be vulnerable in terms of people’s safety and a company’s reputation. This method has some limitations, such as more time being needed to implement the data during the privacy method for the digital construction data and there being a possibility of loss of information during implementation. Thus, future work on this method will aim to reduce the execution time and retrieve the lost information.