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

Collaborators: Ashwin Machanavajjhala i Bolin Ding – Badania te mają na celu dostarczenie sposobów na kompromis pomiędzy prywatnością jednostek w statystycznej bazie danych a użytecznością dalszej analizy danych. Przedstawiamy nową klasę definicji prywatności – prywatność Blowfish, która oferuje bogaty interfejs do określenia tego kompromisu. Pokazujemy znaczący wzrost użyteczności dla klasteryzacji k-średnich, uwalniania skumulowanych histogramów i odpowiadania na zapytania o zakres z mechanizmami z prywatnością Blowfish w porównaniu do ich odmiennie prywatnych odpowiedników. (więcej szczegółów)

Differentially Private Trajectory Synthesis

Współpracownicy: Ashwin Machanavajjhala, Divesh Srivastava, Cecilia M. Procopiuc, Graham Cormode – W tym badaniu rozważane są metody publikowania śladów lokalizacji z różnicową gwarancją prywatności. Nasze podejście obejmuje modelowanie śladów lokalizacji jako wzorców mobilności top-k dla ograniczonej czułości oraz próbkowanie śladów lokalizacji z modelu semi-Markowa wyuczonego na wzorcach top-k. Przedstawiamy strategie przycinania i wydajne algorytmy do post-processingu modelu, który ma niezrównoważoną strukturę hierarchiczną i do syntezy śladów lokalizacji bliższych rzeczywistym zbiorom danych.(więcej szczegółów)

Kolorowanie prywatności

Ten projekt badał prywatność w systemach mobilno-społecznych pod innym kątem, wizualizacji. Wizualizacja tworzy obrazy, grafikę lub animacje w celu zwiększenia zrozumienia informacji przez ludzi….(więcej szczegółów)

Obliczenia GPU

Popędzani przez wysoką moc obliczeniową i przystępność cenową procesorów graficznych, znanych jako GPU, chcielibyśmy zbadać nową rolę GPU jako procesora bardziej ogólnego przeznaczenia dla aplikacji naukowych i inżynieryjnych…. (więcej szczegółów)

.