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

Samarbetspartners: Ashwin Machanavajjhala och Bolin Ding – Den här forskningen syftar till att tillhandahålla metoder för att kompromissa mellan individers integritet i en statistisk databas och nyttan av analysen av data i efterföljande led. Vi presenterar en ny klass av sekretessdefinitioner – Blowfish privacy – som erbjuder ett rikt gränssnitt för att specificera denna avvägning. Vi visar betydande förbättringar av användbarheten för k-means-klustring, frigörande av kumulativa histogram och svar på frågor om intervall med mekanismer som omfattas av Blowfish-privacy i jämförelse med deras motsvarigheter med differentiellt skydd av privat information. (mer information)

Differentiellt privat syntes av banor

Samarbetspartners: Ashwin Machanavajjhala, Divesh Srivastava, Cecilia M. Procopiuc, Graham Cormode – I denna forskning undersöks metoder för att publicera spår av platser med differentiell integritetsgaranti. Vårt tillvägagångssätt innebär att vi modellerar lokaliseringsspåren som top-k-mönster för rörlighet för en begränsad känslighet, och att vi tar prov på lokaliseringsspår från en brusig semi-Markov-modell som lärs in på top-k-mönstren. Vi presenterar strategier och effektiva algoritmer för att efterbehandla den bullriga modellen, som har en obalanserad hierarkisk struktur, och för att syntetisera lokaliseringsspår som ligger närmare de verkliga datamängderna.(mer detaljer)

Coloring Privacy

I detta projekt har man studerat sekretessen i mobilsamhälleliga system från en annan synvinkel, nämligen visualisering. Visualisering skapar bilder, grafik eller animationer för att öka människors förståelse av information….(mer detaljer)

GPU Computing

Drivet av den höga beräkningskraften och överkomligheten hos grafikprocessorer, så kallade GPU:s, vill vi utforska GPU:s nya roll som en processor med mer allmänna syften för vetenskapliga och tekniska tillämpningar….. (mer information)