• Produktbild: Privacy, Security, and Trust in KDD
  • Produktbild: Privacy, Security, and Trust in KDD

Privacy, Security, and Trust in KDD Second ACM SIGKDD International Workshop, PinKDD 2008, Las Vegas, Nevada, August 24, 2008, Revised Selected Papers

Aus der Reihe Security and Cryptology

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.05.2009

Herausgeber

Francesco Bonchi + weitere

Verlag

Springer Berlin

Seitenzahl

127

Maße (L/B/H)

23,5/15,5/0,8 cm

Gewicht

225 g

Auflage

2009

Sprache

Englisch

ISBN

978-3-642-01717-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.05.2009

Herausgeber

Verlag

Springer Berlin

Seitenzahl

127

Maße (L/B/H)

23,5/15,5/0,8 cm

Gewicht

225 g

Auflage

2009

Sprache

Englisch

ISBN

978-3-642-01717-9

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Privacy, Security, and Trust in KDD
  • Produktbild: Privacy, Security, and Trust in KDD
  • Invited Paper.- Data Mining for Security Applications and Its Privacy Implications.- Geocode Matching and Privacy Preservation.- Mobility, Data Mining and Privacy the Experience of the GeoPKDD Project.- Contributed Papers.- Data and Structural k-Anonymity in Social Networks.- Composing Miners to Develop an Intrusion Detection Solution.- Malicious Code Detection Using Active Learning.- Maximizing Privacy under Data Distortion Constraints in Noise Perturbation Methods.- Strategies for Effective Shilling Attacks against Recommender Systems.