dc.contributor.advisor | Sakkopoulos, Evangelos | |
dc.contributor.advisor | Σακκόπουλος, Ευάγγελος | |
dc.contributor.author | Krasadakis, Panteleimon | |
dc.contributor.author | Κρασαδάκης, Παντελεήμων | |
dc.date.accessioned | 2025-06-04T07:20:45Z | |
dc.date.available | 2025-06-04T07:20:45Z | |
dc.date.issued | 2024-12-13 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17821 | |
dc.description.abstract | Η διατήρηση της ιδιωτικότητας είναι υψίστης σημασίας στην εποχή της λήψης αποφάσεων με γνώμονα τα δεδομένα, ιδιαίτερα σε τομείς όπως η εξόρυξη δεδομένων και η ανάλυση νομικών εγγράφων. Αυτή η διατριβή διερευνά τη διασταύρωση των τεχνικών εξόρυξης δεδομένων για τη διατήρηση της ιδιωτικότητας και επεξεργασία φυσικής γλώσσας για την αντιμετώπιση ανησυχιών που σχετίζονται με κινδύνους απορρήτου και εμπιστευτικότητας δεδομένων. Η έρευνα επικεντρώνεται στην ανάπτυξη καινοτόμων προσεγγίσεων και μεθοδολογίες για την προστασία του ιδιωτικού απορρήτου με ταυτόχρονη εξαγωγή σημαντικών πληροφοριών. Ειδικότερα, εστιάζει στα προβλήματα της απόκρυψης συχνών στοιχείων και επεξεργασία φυσικής γλώσσας για γλώσσες ή τομείς χαμηλών πόρων. Αξιοποιώντας προηγμένες τεχνικές και αλγορίθμους εξόρυξης δεδομένων, η μελέτη διερευνά στρατηγικές για τη διαχείριση του απορρήτου στην κοινή χρήση δεδομένων. Μέσα από εξονυχιστικό πειραματισμό και ανάλυση, αυτή η διατριβή συνεισφέρει νέες ιδέες και πρακτικές λύσεις για τη βελτίωση του απορρήτου, λαμβάνοντας υπόψη την ποιότητα των δεδομένων και προσπαθεί να βρει λύσεις που είναι κατάλληλες για τον πραγματικές εφαρμογές. Τα ευρήματα προσφέρουν πολύτιμη συμβολή τόσο στην ακαδημαϊκή έρευνα όσο και στον ιδιωτικό τομέα. | el |
dc.format.extent | 170 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Advanced techniques for efficient privacy preserving data mining software | el |
dc.title.alternative | Προηγμένες τεχνικές για αποδοτικό λογισμικό εξόρυξης δεδομένων διατήρησης απορρήτου | el |
dc.type | Doctoral Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | Privacy preservation is paramount in the era of data-driven decision-making, particularly in domains such as data mining and legal document analysis. This work investigates the intersection of privacy-preserving data mining techniques and Natural Language Processing (NLP) to address concerns related to privacy risks and data confidentiality. The research focuses on developing innovative approaches and methodologies to safeguard individual privacy while extracting meaningful insights. In particular, it focuses on the problems of Frequent Itemset Hiding and NER for low-resource languages or domains. Leveraging advanced data mining algorithms and techniques, the study explores strategies for managing privacy challenges in data sharing. Through comprehensive experimentation and analysis, this thesis contributes novel insights and practical solutions for enhancing privacy, while considering data quality and strives to find solutions that are suitable for real-world applications. The findings offer valuable contributions to both academic research and practical applications in the privacy domain. | el |
dc.subject.keyword | Privacy | el |
dc.subject.keyword | Data mining | el |
dc.subject.keyword | Transactional data bases | el |
dc.subject.keyword | Knowledge graphs | el |
dc.subject.keyword | Natural language processing | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Deep learning | el |
dc.subject.keyword | Frequent Itemset Hiding Problem | el |
dc.subject.keyword | Knowledge hiding | el |
dc.date.defense | 2024-12-13 | |