ScholarGate
Assistent
Machine learningPrivacy-preserving analysis

k-Anonymiteit: Bescherming van Individuele Privacy in Gepubliceerde Data

k-Anonymiteit is een formeel privacymodel, geïntroduceerd door Latanya Sweeney in 2002, om individuen te beschermen wanneer persoonlijke gegevens worden vrijgegeven voor onderzoeks- of openbaar gebruik. Het vereist dat elk record in een gepubliceerde dataset ononderscheidbaar is van ten minste k−1 andere records met betrekking tot een aangewezen set quasi-identificerende attributen — zoals leeftijd, geslacht en postcode — wat heridentificatie door koppeling van vrijgegeven gegevens aan externe bronnen voorkomt.

Openen in MethodMindBinnenkortVideoBinnenkortDia's downloaden

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Methodenkaart

De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.

k-Anonymiteit: Bescherming van Individuele Privacy in Gepubliceerde Data
Differentiële PrivacySynthetische data-genera…Risicobeoordeling van op…Secure Multi-Party Compu…

Bronnen

  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

Deze pagina citeren

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

Welke methode?

Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.

Naast elkaar vergelijken

Geciteerd door

ScholarGatek-Anonymity (k-Anonymity Data Anonymization). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/privacy/k-anonymity · Gegevensset: https://doi.org/10.5281/zenodo.20539026