Técnicas de preservación de la privacidad en entornos de ciencia de datos
Cada día se generan, procesan y analizan enormes volúmenes de información, los cuales son esenciales para el desarrollo de modelos de inteligencia artificial. Estos modelos optimizan tareas de segmentación, clasificación, automatización de procesos y predicción de tendencias, todo ello englobado baj...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.unican.es:10902/38087 |
| Acceso en línea: | https://hdl.handle.net/10902/38087 |
| Access Level: | acceso abierto |
| Palabra clave: | Ciencia de datos Privacidad Anonimización Privacidad diferencial Aprendizaje federado Data science Privacy Anonymity Differential privacy Federated learning |
| Sumario: | Cada día se generan, procesan y analizan enormes volúmenes de información, los cuales son esenciales para el desarrollo de modelos de inteligencia artificial. Estos modelos optimizan tareas de segmentación, clasificación, automatización de procesos y predicción de tendencias, todo ello englobado bajo lo que conocemos como ciencia de datos. Este potencial hace que debamos poner el foco en las cuestiones de privacidad que surgen en dichos entornos, desde la adquisición y procesamiento de los datos hasta el despliegue y desarrollo de modelos. En este sentido, la presente tesis doctoral cubre todos estos aspectos, realizando múltiples contribuciones al desarrollo de soluciones avanzadas en el campo, combinando desarrollos teóricos y prácticos con productos de software. Además, se exploran aplicaciones prácticas en áreas multidisciplinares, desde la medicina hasta la monitorización de calidad de aguas o las predicciones climáticas. |
|---|