【ECML-PKDD 2019】一种提高数据质量的敏感模式隐藏启发式方法（A Heuristic Approach for Sensitive Pattern Hiding with Improved Data Quality）

题目： A Heuristic Approach for Sensitive PatternHiding with Improved Data Quality

摘要： 频繁项集挖掘可用于发现数据集中存在的各种兴趣模式。然而，当数据与其他组织共享时，这会带来很大的优先级威胁。从组织或个人的角度来看，有一些业务关键型的频繁模式被认为是敏感的，因为披露这些模式会泄露机密信息。隐私保护数据挖掘（PPDM）提供了各种技术来隐藏敏感模式，以确保在共享数据集上应用数据挖掘模型无法显示这些模式。基于启发式的敏感模式隐藏技术因其执行速度快而被广泛采用，但其副作用较大。本文提出了一种基于受害者项删除的敏感模式隐藏启发式算法MinMax。在该算法中，计算每个暂定目标项的未命中代价Im-pact（MCI）值，并选择最小的目标项作为目标项，从而降低了未命中代价。在基准数据集上的实验结果表明，与现有的启发式技术相比，提出的算法具有更少的执行时间和更好的数据质量。

作者简介：

Durga Toshniowal，印度理工学院（IIT Rookee）计算机科学与工程系教授&运输系统中心主任。个人主页：http://www.durgatoshniwal.in/等