Resumen

En muchas tareas de análisis de datos del mundo real, se espera que podamos obtener conocimientos mucho más útiles al utilizar múltiples bases de datos almacenadas en diferentes organizaciones, como grupos de cooperación, órganos estatales y países aliados. Sin embargo, en muchas de estas organizaciones, a menudo dudan en publicar sus bases de datos debido a problemas de privacidad y seguridad, aunque creen en las ventajas del análisis colaborativo. Este documento propone un novedoso marco colaborativo para utilizar matrices de co-ocurrencia verticalmente particionadas en la estimación de estructuras de co-clúster difusas, en las cuales la información de co-ocurrencia entre objetos e ítems se almacena por separado en varios sitios. Con el fin de utilizar estos conjuntos de datos distribuidos sin temor a filtraciones de información, se introduce un procedimiento de preservación de la privacidad en el agrupamiento difuso para datos multivariados categóricos (FCCM). Al retener cada elemento de las matrices de co-ocurrencia, solo las membresías de objetos son compartidas por varios sitios

• Materias:Algoritmo de control Algoritmo de diagnóstico Coeficientes de proximidad Dispositivos submicrónicos Teorema de puntos
• Subjects:Control algorithm Diagnostic algorithm Proximity coefficients Submicron devices Point theorem
• Palabras claves:Tareas de análisis de datos del mundo real; Múltiples bases de datos; Grupos de colaboración; Problemas de privacidad; Preocupaciones de seguridad; Marco colaborativo
• Keywords:Real world data analysis tasks; Multiple databases; Collaboration groups; Privacy issues; Security concerns; Collaborative framework