É possível aprender sobre as pessoas sem lhes escancarar a privacidade?
DOI:
https://doi.org/10.5753/compbr.2021.46.4415Keywords:
privacidade, dados pessoais, anonimização, privacidade diferencialAbstract
Este artigo descreve brevemente os preceitos da privacidade dos indivíduos na Lei Geral de Proteção de Dados (LGPD) enquanto discute a coleta de dados pessoais para a construção de perfis nos modernos sistemas de aprendizagem automatizada. O artigo relaciona algumas técnicas computacionais de anonimização de dados e mostra que, ao associarmos essas técnicas com o binômio coleta/aprendizagem, podemos fortalecer a publicação e estudo dos dados enquanto garantimos a privacidade dos seus titulares.
Downloads
Referências
BRITO, F.; MACHADO, J. Preservação de privacidade de dados: Fundamentos, técnicas e aplicações. 36a JAI - Jornada de Atualização em Informática, Cap 3, pag 1–40. SBC, Porto Alegre, 2017.
Congresso Nacional. Lei Geral de Proteção de Dados - Lei No 13.709 de 14 de Agosto de 2018.
DOMINGO-FERRER, J.; SANCHEZ, D.; SORIA-COMAS, J. Database anonymization: Privacy, utility, and microaggregation-based inter-model connections. Synthesis Lectures on Information Security, Privacy, and Trust. Morgan & Claypool, 2016
DWORK, C. Differential privacy. 33rd International Colloquium on Automata, Languages and Programming, pages 1–12, 2006
DWORK, C.; ROTH, A. The algorithmic foundations of differential privacy. Foundations and Trends in Theoretical Computer Science, 9(3-4):211–407, 2014.
MACHADO, J; DUARTE NETO, E. Privacidade de dados de localização: Modelos, técnicas e mecanismos. 40a JAI - Jornada de Atualização em Informática, Cap 3, pag 105–148. SBC, 2021.
Downloads
Published
Como Citar
Issue
Section
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
