Explore les mécanismes de publication des données qui préservent la vie privée, y compris l'anonymat k et la confidentialité différentielle, ainsi que leurs applications pratiques et leurs défis.
Couvre les principes et les stratégies de l'ingénierie de la protection de la vie privée, en soulignant l'importance d'intégrer la protection de la vie privée dans les systèmes de TI et les défis à relever pour atteindre la protection de la vie privée par la conception.
Se penche sur les compromis de confidentialité différentielle, l'impact disparate et les attaques de confidentialité basées sur l'apprentissage automatique.
Explore l'apprentissage automatique fédéré et la confidentialité différentielle dans l'apprentissage automatique, en discutant des attaques, des défenses et des défis.
Explore les risques liés à la protection de la vie privée dans la publication des données, les tentatives ratées de désidentification et l'utilisation de données synthétiques pour la protection de la vie privée.
Explore les principes de confidentialité par conception, la minimisation des données, la minimisation de la confiance et l'étude de cas de l'application SwissCovid.
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.
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.
