Blowfish-privacy: Tuning Privacy-Utility Trade-offs using Policies

Collaborators: Ashwin Machanavajjhala en Bolin Ding – Dit onderzoek heeft tot doel manieren te vinden om de privacy van individuen in een statistische database af te wegen tegen het nut van downstream-analyse van gegevens. Wij presenteren een nieuwe klasse van privacy definities – Blowfish privacy, die een rijke interface biedt om deze afweging te specificeren. We laten significante verbeteringen zien in de bruikbaarheid van k-means-clustering, het vrijgeven van cumulatieve histogrammen en het beantwoorden van bereikvragen met mechanismen onder Blowfish-privacy in vergelijking met hun differentieel private tegenhangers. (meer details)

Differentially Private Trajectory Synthesis

Samenwerkers: Ashwin Machanavajjhala, Divesh Srivastava, Cecilia M. Procopiuc, Graham Cormode – Dit onderzoek beschouwt methoden om locatiesporen te publiceren met differentiële privacygarantie. Onze aanpak omvat het modelleren van de locatiesporen als top-k mobiliteitspatronen voor een begrensde gevoeligheid, en het samplen van locatiesporen uit een ruisachtig semi-Markov model dat geleerd is op de top-k patronen. We presenteren snoeistrategieën en efficiënte algoritmen om het ruismodel, dat een onevenwichtige hiërarchische structuur heeft, nabewerken en om locatiesporen te synthetiseren die dichter bij de echte datasets liggen.(meer details)

Coloring Privacy

Dit project heeft privacy in mobiel-sociale systemen vanuit een andere hoek bestudeerd, namelijk vanuit visualisatie. Visualisatie creëert beelden, grafieken of animaties om het begrip van informatie te verbeteren….(meer details)

GPU Computing

Gedreven door de hoge rekenkracht en betaalbaarheid van Graphics Processing Units, bekend als GPU, willen we de nieuwe rol van GPU als een meer algemene processor voor wetenschappelijke en engineeringtoepassingen verkennen…. (meer details)