Thèse de Rania Talbi


Sujet :
Techniques d'Apprentissage Respectueuses de la Vie Privée

Résumé :

De nos jours, l'omniprésence de dispositifs informatiques et la diversité des services numériques contribuent en permanence à la génération et la collecte d’énormes masses de données.
Le Data Mining ou fouille de données c'est le processus qui permet d'explorer ces données afin d'en extraire des informations utiles. Les connaissances inédites produites par ce processus peuvent s'avérer extrêmement avantageuses dans de nombreux domaines d'application. Cependant, dans le cas de données sensibles, l'utilisation de méthodes classiques de fouille de données peut engendrer des risques liés à la violation de la vie privée. Pour pallier ce problème, des méthodes de Data Mining respectueuses de la vie privée ou Privacy Preserving Data Mining Methods (PPDM) ont été proposées. Ces méthodes s’appuient en général sur des techniques cryptographiques telles que le chiffrement homomorphe ou des techniques non-cryptographiques telles que la perturbation de données. 
L'objectif de la présente thèse de doctorat est la mise en place de méthodes de fouilles de données qui opèrent sur des données chiffrées en assurant une protection de bout-en-bout des données sensibles et des informations extraites à partir d'elles via les mécanismes de fouille de données d'une manière efficace et qui s'adapte aux grandes masses de données.


Encadrant : Sara Bouchenak