L'obiettivo principale del data mining è quello di estrarre informazioni di alto livello o nascoste da grandi database. Oltre al vantaggio di estrarre schemi utili, il data mining presenta anche la minaccia di rivelare le informazioni sensibili dell'utente. Possiamo nascondere le informazioni sensibili dell'utente utilizzando il data mining a tutela della privacy (PPDM). Nell'ambito del data mining, l'estrazione di regole di associazione è un metodo popolare e ben studiato per scoprire relazioni interessanti tra variabili in grandi database. Poiché le regole di associazione sono uno strumento chiave per trovare tali modelli, alcune regole di associazione possono essere classificate come sensibili se il loro rischio di divulgazione è superiore a una determinata soglia. La maggior parte degli approcci al data mining che preservano la privacy utilizzano il supporto e la fiducia. In questo libro l'autore ha proposto un approccio basato sulla correlazione che utilizza misure diverse dal supporto e dalla confidenza, come la correlazione tra gli elementi degli insiemi sensibili, per nascondere gli insiemi frequenti sensibili. Le colonne del set di dati che hanno un determinato valore soglia di correlazione vengono considerate per il processo di occultamento. Questo meccanismo è chiamato meccanismo di pesatura del coefficiente di correlazione di Pearson, che mantiene il compromesso tra privacy e accuratezza.