Explore les défis et les perspectives en matière de protection des données dans la recherche sur la cybersanté, en mettant l'accent sur la conformité au RGPD, la gestion sensible des données de santé et les agents décentralisés.
Explore les principes différentiels de protection de la vie privée et de protection de la vie privée par la conception afin d'assurer une protection de la vie privée centrée sur l'utilisateur.
Explore l'intersection de l'apprentissage automatique et de la vie privée, en discutant de la confidentialité, des attaques, de la vie privée différentielle et des compromis dans l'apprentissage fédéré.
Explore les questions de sécurité et de confidentialité dans les appareils électroniques personnels, couvrant les attaques, les défenses et les conséquences.
Couvre les paradigmes de confidentialité, la collecte de données par les entreprises, les cadres juridiques, la confiance dans les fournisseurs de données et le débat sur la sécurité par rapport à la vie privée.
Explore la génération de données synthétiques pour la publication de données préservant la vie privée, en évaluant son efficacité contre les menaces à la vie privée dans des ensembles de données brutes.
Introduit le Mécanisme de graduation K-Norm (KNG) pour obtenir une protection de la vie privée différentielle avec des exemples pratiques et des idées sur ses avantages par rapport aux mécanismes existants.
Explore la sensibilité des données de localisation, l'inférence des points d'intérêt et les techniques de protection de la confidentialité des localisations.
Explore les fondamentaux de l'apprentissage automatique et les risques liés à la vie privée, en mettant l'accent sur les attaques contre la vie privée et l'apprentissage automatique collaboratif.
