Semantic Noise: Privacy-Protection of Nominal Microdata through Uncorrelated Noise Addition

Rodríguez-García, Mercedes; Batet, Montserrat; Sánchez, David

doi:10.1109/ictai.2015.157

Cited by 9 publications

(4 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…При цьому, найбільш вдалим інструментом для впровадження інформаційного шуму в англомовний текст за допомогою комп'ютерних засобів є використання контекстуальної варіативності романських мов та асоціативних зв'язків, описаних в [7][8]. Розглянувши існуючі методи та засоби, що пов'язані з дослідженням чи додаванням інформаційного шуму [9][10][11][12], можна зробити висновок, що основна задача інформаційного шуму носить деструктивний характер, окрім окремих випадків, як збереження персональних даних, шляхом їх маскування. Проте, сучасні виклики процесам захисту інформації, змушують шукати підходи застосування нестандартних рішень та адаптацію їх до забезпечення інформаційної безпеки.…”

Section: аналіз досліджень та постановка завданняunclassified

Метод Додавання Семантичного Шуму За Індивідуальною Семантичною Лінією Пропагандиста

Тарасенко¹

2021

Bezpeka ìnf.

View full text Add to dashboard Cite

Сучасні процеси в інформаційному полі держави зумовлюють зростання інтенсивності інформаційно-психологічного протиборства. Процеси здійснення зворотного впливу на зловмисника, який проводить деструктивну інформаційну пропаганду потребують вдосконалення з метою підвищення їх ефективності в протидії інформаційним загрозам держави та її громадян. Протиріччя, яке виникає при реалізації зворотного впливу на зловмисника, та полягає в тому, що цільовий текст повинен одночасно привертати увагу зловмисника та викривляти поле сприйняття структур, в яких приховані засоби зворотного впливу, може бути вирішено шляхом додавання семантичного інформаційного шуму за індивідуальною семантичною лінією пропагандиста. Однак існуючі підходи та методи, пов’язані з додаванням та опрацюванням інформаційного шуму в тексті не можуть бути використані для вирішення поставленої задачі, оскільки не враховують індивідуальну семантичну складову та допустимий інтервал ентропії семантичного шуму. Таким чином, булорозроблено метод додавання семантичного шуму за індивідуальною семантичною лінією пропагандиста, щодозволяє зберегти неподільну семантичну складову, яка несе в собі основні засоби зворотного інформаційноговпливу за умови привернення уваги зловмисника до тексту та підвищення загального рівня позитивного відношення до нього. Завдяки визначеному інтервалу оптимально допустимого доданого семантичного шуму, було описано модель формування англомовного тексту з доданим семантичним інформаційним шумом на основі вдосконаленого методу комп’ютеризованого формування англомовного тексту відповідно до психолінгвістичного портрету пропагандиста, що дозволило викривити світ сприйняття зловмисником неподільної семантичної складової для відволікання уваги пропагандиста від засобів зворотного впливу на нього та врівноваження конгруентної ситуації сприйняття семантичного шуму і неподільної семантичної складової.

show abstract

Section: аналіз досліджень та постановка завданняunclassified

Метод Додавання Семантичного Шуму За Індивідуальною Семантичною Лінією Пропагандиста

Тарасенко¹

2021

Bezpeka ìnf.

View full text Add to dashboard Cite

show abstract

“…Finally, there has been some work on noise-addition techniques in this area. Rodriguez-Garcia et al [42] propose semantic noise, which perturbs sensitive terms in a document using a distance measure over the directed graph representing a predefined ontology.…”

Section: Related Workmentioning

confidence: 99%

Generalised Differential Privacy for Text Document Processing

Fernandes

Dras

McIver

2019

Lecture Notes in Computer Science

View full text Add to dashboard Cite

We address the problem of how to "obfuscate" texts by removing stylistic clues which can identify authorship, whilst preserving (as much as possible) the content of the text. In this paper we combine ideas from "generalised differential privacy" and machine learning techniques for text processing to model privacy for text documents. We define a privacy mechanism that operates at the level of text documents represented as "bags-of-words" -these representations are typical in machine learning and contain sufficient information to carry out many kinds of classification tasks including topic identification and authorship attribution (of the original documents). We show that our mechanism satisfies privacy with respect to a metric for semantic similarity, thereby providing a balance between utility, defined by the semantic content of texts, with the obfuscation of stylistic clues. We demonstrate our implementation on a "fan fiction" dataset, confirming that it is indeed possible to disguise writing style effectively whilst preserving enough information and variation for accurate content classification tasks.

show abstract

“…In the case when a database contains several attributes, the microaggregation can be performed to aggregate all the data in all attributes or it can also be performed by dividing the attributes into several groups. One of the microaggregation methods that are commonly used is called Maximum Distance to Average Vector (MDAV) [20]- [23]. Described in [24], MDAV consists of six sequential processes to generate a microaggregate database.…”

Section: ) Microaggregationmentioning

confidence: 99%

Classification of Privacy Preserving Data Mining Algorithms: A Review

Gunawan

2020

indones.j.electron.telecommun.

View full text Add to dashboard Cite

Nowadays, data from various sources are gathered and stored in databases. The collection of the data does not give a significant impact unless the database owner conducts certain data analysis such as using data mining techniques to the databases. Presently, the development of data mining techniques and algorithms provides significant benefits for the information extraction process in terms of the quality, accuracy, and precision results. Realizing the fact that performing data mining tasks using some available data mining algorithms may disclose sensitive information of data subject in the databases, an action to protect privacy should be taken into account by the data owner. Therefore, privacy preserving data mining (PPDM) is becoming an emerging field of study in the data mining research group. The main purpose of PPDM is to investigate the side effects of data mining methods that originate from the penetration into the privacy of individuals and organizations. In addition, it guarantees that the data miners cannot reveal any personal sensitive information contained in a database, while at the same time data utility of a sanitized database does not significantly differ from that of the original one. In this paper, we present a wide view of current PPDM techniques by classifying them based on their taxonomy techniques to differentiate the characteristics of each approach. The review of the PPDM methods is described comprehensively to provide a profound understanding of the methods along with advantages, challenges, and future development for researchers and practitioners.

show abstract

Semantic Noise: Privacy-Protection of Nominal Microdata through Uncorrelated Noise Addition

Cited by 9 publications

References 27 publications

Метод Додавання Семантичного Шуму За Індивідуальною Семантичною Лінією Пропагандиста

Метод Додавання Семантичного Шуму За Індивідуальною Семантичною Лінією Пропагандиста

Generalised Differential Privacy for Text Document Processing

Classification of Privacy Preserving Data Mining Algorithms: A Review

Contact Info

Product

Resources

About