Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy

Detalhes bibliográficos
Autor(a) principal: Augusto Felix Marcolin
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMG
Texto Completo: http://hdl.handle.net/1843/BUOS-B4HGDL
Resumo: A quantidade de dados produzidos no mundo digital tem crescido exponencialmente nas últimas décadas. Atentas a este fato, empresas e organizações não tem medido esforços para analisar toda essa gama de informação. Contudo, há um crescimento na preocupação acerca da privacidade da informação das pessoas. Nesse contexto, surge a àrea de data privacy, cujo objetivo é garantir anonimização das informações em bases de dados. Tendo em vista o problema exposto, este trabalho apresenta métodos para anonimização de variáveis binárias e categóricas, através de geração de bases sintéticas sob garantia de dierential privacy. Também apresentamos técnicas de inferência para lidar com esse tipo de dado. Inicialmente recriamos e complementamos o estudo de Charest (2011) no âmbito de variáveis binárias anonimizadas. Posteriormente, estendemos o modelo para variáveis de múltiplas categorias. Por m, aplicamos as técnicas de anonimização e inferenciais em uma base de dados da SUSEP(Superintendência de Seguros Privados) a respeito de roubos de carros e indenizações de seguradoras, para o ano de 2016 na região metropolitana de Belo Horizonte e Zona da Mata. Quanto aos resultados, observamos que há uma perda de informação quando utilizamos a metodologia de bases sintéticas sob garantia dedierential privacy. Porém, utilizando as técnicas apropriadas para fazer inferência podemos obter estimativas precisas.
id UFMG_0723d056796bd407c2b52b640b8699d9
oai_identifier_str oai:repositorio.ufmg.br:1843/BUOS-B4HGDL
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Thais Paiva GallettiMarcos Oliveira PratesPedro Olmo Stancioli Vaz de MeloAugusto Felix Marcolin2019-08-10T19:44:25Z2019-08-10T19:44:25Z2018-02-23http://hdl.handle.net/1843/BUOS-B4HGDLA quantidade de dados produzidos no mundo digital tem crescido exponencialmente nas últimas décadas. Atentas a este fato, empresas e organizações não tem medido esforços para analisar toda essa gama de informação. Contudo, há um crescimento na preocupação acerca da privacidade da informação das pessoas. Nesse contexto, surge a àrea de data privacy, cujo objetivo é garantir anonimização das informações em bases de dados. Tendo em vista o problema exposto, este trabalho apresenta métodos para anonimização de variáveis binárias e categóricas, através de geração de bases sintéticas sob garantia de dierential privacy. Também apresentamos técnicas de inferência para lidar com esse tipo de dado. Inicialmente recriamos e complementamos o estudo de Charest (2011) no âmbito de variáveis binárias anonimizadas. Posteriormente, estendemos o modelo para variáveis de múltiplas categorias. Por m, aplicamos as técnicas de anonimização e inferenciais em uma base de dados da SUSEP(Superintendência de Seguros Privados) a respeito de roubos de carros e indenizações de seguradoras, para o ano de 2016 na região metropolitana de Belo Horizonte e Zona da Mata. Quanto aos resultados, observamos que há uma perda de informação quando utilizamos a metodologia de bases sintéticas sob garantia dedierential privacy. Porém, utilizando as técnicas apropriadas para fazer inferência podemos obter estimativas precisas.Theamountofdataproducedindigitalerahasincreasedinthelastdecades. Awareof this, companies and organizations have been making all necessary eorts to analyze this amount of information. However, the attention concerning privacy of individuals records is increasing. In this sense, the data privacy area emerges with the goal to guarantee users anonymity in researches. Given that, this work shows anonymization methods for binary and categorical data, using the concept of dierential privacy synthetic data. We also present inferential techniques to analyze this kind of data. First, we recreate and complement the scenarios proposed by Charest (2011) to binary anonymized data. We then extend the model to categorical variables. Lastly, we apply the anonymization and inferential techniques to a real dataset of car insurance claims in Brazil in 2016 for the metropolian region of Belo Horizonte and Zona da Mata. On the results, we noticed that there is some information loss when the methodology of dierential privacy synthetic data is applied. However, using the appropriate techniques to make inference can provide accurate estimates.Universidade Federal de Minas GeraisUFMGEstatisticaProteção de dadosDados SintéticosDierential PrivacyData PrivacyMétodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacyinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALaugusto_marcolin.pdfapplication/pdf1729886https://repositorio.ufmg.br/bitstream/1843/BUOS-B4HGDL/1/augusto_marcolin.pdf70d5e41c4d0b9f5a3602c8e0b81cf5b6MD51TEXTaugusto_marcolin.pdf.txtaugusto_marcolin.pdf.txtExtracted texttext/plain84878https://repositorio.ufmg.br/bitstream/1843/BUOS-B4HGDL/2/augusto_marcolin.pdf.txtff0e32793b192ebd226b5cffe83f3186MD521843/BUOS-B4HGDL2019-11-14 04:39:21.943oai:repositorio.ufmg.br:1843/BUOS-B4HGDLRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T07:39:21Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.fl_str_mv Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
title Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
spellingShingle Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
Augusto Felix Marcolin
Dados Sintéticos
Dierential Privacy
Data Privacy
Estatistica
Proteção de dados
title_short Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
title_full Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
title_fullStr Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
title_full_unstemmed Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
title_sort Métodos estatísticos de proteção de dados condenciais sob a condição de Dierential Privacy
author Augusto Felix Marcolin
author_facet Augusto Felix Marcolin
author_role author
dc.contributor.advisor1.fl_str_mv Thais Paiva Galletti
dc.contributor.referee1.fl_str_mv Marcos Oliveira Prates
dc.contributor.referee2.fl_str_mv Pedro Olmo Stancioli Vaz de Melo
dc.contributor.author.fl_str_mv Augusto Felix Marcolin
contributor_str_mv Thais Paiva Galletti
Marcos Oliveira Prates
Pedro Olmo Stancioli Vaz de Melo
dc.subject.por.fl_str_mv Dados Sintéticos
Dierential Privacy
Data Privacy
topic Dados Sintéticos
Dierential Privacy
Data Privacy
Estatistica
Proteção de dados
dc.subject.other.pt_BR.fl_str_mv Estatistica
Proteção de dados
description A quantidade de dados produzidos no mundo digital tem crescido exponencialmente nas últimas décadas. Atentas a este fato, empresas e organizações não tem medido esforços para analisar toda essa gama de informação. Contudo, há um crescimento na preocupação acerca da privacidade da informação das pessoas. Nesse contexto, surge a àrea de data privacy, cujo objetivo é garantir anonimização das informações em bases de dados. Tendo em vista o problema exposto, este trabalho apresenta métodos para anonimização de variáveis binárias e categóricas, através de geração de bases sintéticas sob garantia de dierential privacy. Também apresentamos técnicas de inferência para lidar com esse tipo de dado. Inicialmente recriamos e complementamos o estudo de Charest (2011) no âmbito de variáveis binárias anonimizadas. Posteriormente, estendemos o modelo para variáveis de múltiplas categorias. Por m, aplicamos as técnicas de anonimização e inferenciais em uma base de dados da SUSEP(Superintendência de Seguros Privados) a respeito de roubos de carros e indenizações de seguradoras, para o ano de 2016 na região metropolitana de Belo Horizonte e Zona da Mata. Quanto aos resultados, observamos que há uma perda de informação quando utilizamos a metodologia de bases sintéticas sob garantia dedierential privacy. Porém, utilizando as técnicas apropriadas para fazer inferência podemos obter estimativas precisas.
publishDate 2018
dc.date.issued.fl_str_mv 2018-02-23
dc.date.accessioned.fl_str_mv 2019-08-10T19:44:25Z
dc.date.available.fl_str_mv 2019-08-10T19:44:25Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1843/BUOS-B4HGDL
url http://hdl.handle.net/1843/BUOS-B4HGDL
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.publisher.initials.fl_str_mv UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
bitstream.url.fl_str_mv https://repositorio.ufmg.br/bitstream/1843/BUOS-B4HGDL/1/augusto_marcolin.pdf
https://repositorio.ufmg.br/bitstream/1843/BUOS-B4HGDL/2/augusto_marcolin.pdf.txt
bitstream.checksum.fl_str_mv 70d5e41c4d0b9f5a3602c8e0b81cf5b6
ff0e32793b192ebd226b5cffe83f3186
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv
_version_ 1803589336663326720

Registros relacionados