¿Cómo compartir datos de manera efectiva y privada?
Resumen:
Este trabajo analiza la problemática general de dar garantías de privacidad manteniendo niveles aceptables de utilidad predictiva cuando se comparten datos sensibles. En particular, se considera la situación en la cual varias organizaciones (públicas y/o privadas) comparten entre ellas y/o con terceros modelos entrenados con datos privados de cada una de ellas.
2022 | |
Agencia Nacional de Investigación e Innovación | |
Differential Privacy Ciencias Naturales y Exactas Ciencias de la Computación e Información |
|
Español | |
Agencia Nacional de Investigación e Innovación | |
REDI | |
https://hdl.handle.net/20.500.12381/2364
https://www.aiu.org.uy/_files/ugd/989f95_16f572703c894f24b799df036aa35ad3.pdf |
|
Acceso abierto | |
Reconocimiento 4.0 Internacional. (CC BY) |
Resultados similares
-
Prototipo de “Application of Private Aggregation of Ensemble Models to Sensible Data” en la plataforma PySyft de OpenMined
Autor(es):: Pisani, Mikaela
Fecha de publicación:: (2022) -
Implementación en PySyft de "An Assessment of the Application of Private Aggregation of Ensemble Models to Sensible Data"
Autor(es):: Pisani, Mikaela
Fecha de publicación:: (2022) -
Application of PATE to Sensible Data
Autor(es):: Mayr, Franz
Fecha de publicación:: (2021) -
Software basado en Pyfhel para garantizar privacidad de datos en un contexto de machine learning as a service
Autor(es):: Imbert, Walter
Fecha de publicación:: (2022) -
Diseño e implementación de una plataforma para garantizar privacidad de datos en un contexto de machine learning as a service
Autor(es):: Wagner, Gonzalo
Fecha de publicación:: (2022)