ScholarGate
دستیار
Machine learningPrivacy-preserving analysis

ک-ناشناسی: حفاظت از حریم خصوصی فردی در داده‌های منتشر شده

ک-ناشناسی یک مدل رسمی حریم خصوصی است که در سال ۲۰۰۲ توسط لاتانیا سوینی معرفی شد تا از افراد هنگام انتشار داده‌های شخصی برای اهداف تحقیقاتی یا عمومی محافظت کند. این مدل ایجاب می‌کند که هر رکورد در یک مجموعه داده منتشر شده، با توجه به مجموعه‌ای از ویژگی‌های شبه‌شناسایی‌کننده - مانند سن، جنسیت و کد پستی - از حداقل k-1 رکورد دیگر قابل تشخیص نباشد و از شناسایی مجدد از طریق پیوند دادن داده‌های منتشر شده به منابع خارجی جلوگیری کند.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

ک-ناشناسی: حفاظت از حریم خصوصی فردی در داده‌های منتشر شده
حریم خصوصی تفاضلیتولید داده‌های مصنوعی بر…ارزیابی ریسک افشامحاسبات چندجانبه امن

منابع

  1. Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570. DOI: 10.1142/S0218488502001648

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 2). k-Anonymity Data Anonymization. ScholarGate. https://scholargate.app/fa/privacy/k-anonymity

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

ارجاع‌شده در

ScholarGatek-Anonymity (k-Anonymity Data Anonymization). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/privacy/k-anonymity · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026