Para proteger la privacidad en la publicación de datos, existen dos grandes técnicas: Anonimización y Privacidad Diferencial.

Aunque la privacidad diferencial es la técnica de facto hoy en día, muchas organizaciones siguen utilizando la anonimización debido a requisitos específicos, como evitar introducir ruido en los datos por razones de transparencia. Por esto, la anonimización sigue siendo la técnica más utilizada para proteger la privacidad.

Dentro de la anonimización, existen ciertas garantías formales. Las más conocidas son el k-anonimato y la l-diversidad, que aseguran un cierto nivel de mimetismo e invisibilidad con otras personas de características similares. A pesar de su popularidad, existe poco trabajo en estas técnicas en presencia de valores nulos y/o cuando los individuos aparecen más de una vez en el conjunto de datos.

Este trabajo busca aplicar técnicas de interpretación abstracta a la anonimización para lograr mejores niveles formales de k-anonimato y/o l-diversidad, con menos generalizaciones y abstracciones de datos.

(No es necesario tener conocimiento previo de interpretación abstracta para realizar este trabajo).