fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf

Site Breadcrumb

Verkauf durch Sack Fachmedien

Bonchi / Saygin / Ferrari

Privacy, Security, and Trust in KDD

First ACM SIGKDD International Workshop, PinKDD 2007, San Jose, CA, USA, August 12, 2007, Revised, Selected Papers

Medium: Buch
ISBN: 978-3-540-78477-7
Verlag: Springer Berlin Heidelberg
Erscheinungstermin: 18.03.2008
In den Warenkorb
Lieferfrist: bis zu 10 Tage
Auf die Merkliste Drucken
Leseprobe
Überschrift

Beschreibung

Kostenloser Versand

nach Deutschland, Österreich und in die Schweiz

Bequem zahlen

Rechnung, Kreditkarte, PayPal oder Bankeinzug

Wir sind gerne für Sie da

0800 000-1378 (Inland)
service@fachmedien.de
<<Kontaktformular>>

Fragen

Fragen Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua
Anwtorten

Anwtorten At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet

without sacri?cing the privacy and security of the individuals to whom the data correspond.

Produkteigenschaften

  • Artikelnummer: 9783540784777
  • Medium: Buch
  • ISBN: 978-3-540-78477-7
  • Verlag: Springer Berlin Heidelberg
  • Erscheinungstermin: 18.03.2008
  • Sprache(n): Englisch
  • Auflage: 2008
  • Serie: Information Systems and Applications, incl. Internet/Web, and HCI
  • Produktform: Kartoniert
  • Gewicht: 300 g
  • Seiten: 173
  • Format (B x H x T): 155 x 235 x 11 mm
  • Ausgabetyp: Kein, Unbekannt

Themen

Autoren/Hrsg.

Herausgeber

Invited Paper.- An Ad Omnia Approach to Defining and Achieving Private Data Analysis.- Contributed Papers.- Phoenix: Privacy Preserving Biclustering on Horizontally Partitioned Data.- Allowing Privacy Protection Algorithms to Jump Out of Local Optimums: An Ordered Greed Framework.- Probabilistic Anonymity.- Website Privacy Preservation for Query Log Publishing.- Privacy-Preserving Data Mining through Knowledge Model Sharing.- Privacy-Preserving Sharing of Horizontally-Distributed Private Data for Constructing Accurate Classifiers.- Towards Privacy-Preserving Model Selection.- Preserving the Privacy of Sensitive Relationships in Graph Data.