About this ebook
In un'era di sorveglianza totale, impara a condividere tutto senza rivelare nulla.
L'anonimizzazione tradizionale non è efficace contro i moderni attacchi di collegamento, lasciando vulnerabili i dati individuali sensibili nelle pubblicazioni aggregate.
Quali sono i vantaggi?
- Padroneggiare i fondamenti matematici della privacy differenziale epsilon.
- Progettare meccanismi robusti di iniezione di rumore come Laplace e Gaussiano.
- Comprendere il compromesso tra utilità dei dati e perdita di privacy.
- Implementare garanzie formali di privacy in database statistici reali.
- Acquisire una conoscenza approfondita senza precedenti grazie a 210 concetti selezionati e mappati in 21 appendici specifiche per capitolo, per una padronanza tecnica completa.
Qual è la roadmap?
1 - La crisi della privacy: perché l'anonimizzazione tradizionale fallisce
2 - Definire la privacy formale: la promessa matematica della privacy differenziale
3 - Il budget della privacy: quantificare il costo dell'informazione
4 - Analisi di sensibilità: misurare l'impatto di una singola voce
5 - Il meccanismo di Laplace: iniezione di rumore fondamentale per query numeriche
6 - Il meccanismo gaussiano: allentamento dei vincoli con la privacy $(epsilon, delta)$
7 - Il meccanismo esponenziale: privacy per output non numerici
8 - Teoremi di composizione: l'effetto cumulativo di query multiple
9 - Privacy differenziale locale: raccolta dati senza fiducia
10 - Risposta randomizzata: le radici storiche della privacy locale
11 - Tecnica del vettore sparso: gestione efficiente delle query sequenziali
12 - Complessità delle query di database: ottimizzazione dell'utilità in presenza di vincoli
13 - Apprendimento automatico che preserva la privacy: addestramento di modelli senza divulgazione di dati di addestramento
14 - Discesa del gradiente stocastico con privacy: apprendimento profondo con privacy differenziale
15 - Post-elaborazione e resilienza: mantenimento della privacy dopo il calcolo
16 - Generazione di dati sintetici: creazione di repliche sicure per la privacy
17 - Accuratezza statistica vs. privacy: gestione della barra di errore
18 - Il modello Pan-Privacy: protezione contro le istantanee intrusive
19 - Implementazioni nel mondo reale: casi di studio di giganti della tecnologia e enti governativi
20 - Attacchi alla privacy e vulnerabilità: testare la robustezza del proprio meccanismo
21 - Il futuro della privacy dei dati: oltre l'iniezione di rumore
A chi è rivolto questo testo?
Pensato per data scientist, crittografi e ingegneri della privacy alla ricerca di un quadro matematico rigoroso.
Come puoi agire?
Smetti di fare supposizioni sulla privacy e inizia a dimostrarla con lo standard di riferimento per la protezione dei dati.
Costruisci il futuro dell'analisi sicura dei dati padroneggiando oggi la progettazione dei meccanismi.
