Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada
Esta tesis se centra en la Privacidad Diferencial Local (LDP) y en cómo se comporta con un parámetro ϵ personalizado para cada dato en un conjunto de datos. El objetivo principal es analizar el comportamiento del mecanismo de LDP cuando el parámetro ϵ es personalizado. El análisis se lleva a cabo es...
- Autores:
-
López Céspedes, Mateo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75970
- Acceso en línea:
- https://hdl.handle.net/1992/75970
- Palabra clave:
- Privacidad diferencial local
Privacidad diferencial
Privacidad
Datos
Agregacion de datos
Privacidad personalizada
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_ba5280e11ee62fecc2e684910b63e359 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75970 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| title |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| spellingShingle |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada Privacidad diferencial local Privacidad diferencial Privacidad Datos Agregacion de datos Privacidad personalizada Ingeniería |
| title_short |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| title_full |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| title_fullStr |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| title_full_unstemmed |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| title_sort |
Plataforma para el estudio de la implementación de la privacidad diferencial local personalizada |
| dc.creator.fl_str_mv |
López Céspedes, Mateo |
| dc.contributor.advisor.none.fl_str_mv |
Gauthier Umaña, Valerie Elisabeth Pérez Bernal, Juan Fernando |
| dc.contributor.author.none.fl_str_mv |
López Céspedes, Mateo |
| dc.contributor.researchgroup.none.fl_str_mv |
Facultad de Ingeniería |
| dc.subject.keyword.none.fl_str_mv |
Privacidad diferencial local Privacidad diferencial Privacidad Datos Agregacion de datos Privacidad personalizada |
| topic |
Privacidad diferencial local Privacidad diferencial Privacidad Datos Agregacion de datos Privacidad personalizada Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Esta tesis se centra en la Privacidad Diferencial Local (LDP) y en cómo se comporta con un parámetro ϵ personalizado para cada dato en un conjunto de datos. El objetivo principal es analizar el comportamiento del mecanismo de LDP cuando el parámetro ϵ es personalizado. El análisis se lleva a cabo estableciendo diferentes formas de generar el ϵ mediante el uso de distribuciones estadísticas con distintos parámetros y luego comparando los resultados entre diferentes algoritmos de LDP a través de métricas como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE), el Error Relativo Medio (MRE), entre otras, con el fin de comprender el impacto del ϵ personalizado en la privacidad y la utilidad de los datos. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-02-01T02:43:34Z |
| dc.date.available.none.fl_str_mv |
2025-02-01T02:43:34Z |
| dc.date.issued.none.fl_str_mv |
2025-01-31 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75970 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75970 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Jayadev Acharya, Ziteng Sun, and Huanyu Zhang. Communication efficient, sample optimal, linear time locally private discrete distribution estimation. CoRR, abs/1802.04705, 2018. URL http://arxiv.org/abs/1802.04705. Björn Bebensee. Local differential privacy: a tutorial, 07 2019. Graham Cormode and S. Muthukrishnan. An improved data stream summary: the countmin sketch and its applications. Journal of Algorithms, 55(1):58–75, 2005. ISSN 0196-6774. DOI https://doi.org/10.1016/j.jalgor.2003.12.001. URL https://www.sciencedirect.com/science/article/pii/S0196677403001913. Graham Cormode, Samuel Maddock, and Carsten Maple. Frequency estimation under local differential privacy. Proceedings of the VLDB Endowment, 14(11):2046–2058, July 2021. ISSN 2150-8097. DOI 10.14778/3476249.3476261. URL http://dx.doi.org/10.14778/3476249.3476261. Damien Desfontaines. A friendly, non-technical introduction to differential privacy. https://desfontain.es/blog/friendly-intro-to-differential-privacy.html, 09 2021. Ted is writing things (personal blog). Cynthia Dwork and Aaron Roth. The algorithmic foundations of differential privacy. Found. Trends Theor. Comput. Sci., 9(3–4):211–407, August 2014. ISSN 1551-305X. DOI 10.1561/0400000042. URL https://doi.org/10.1561/0400000042. Cynthia Dwork, Frank McSherry, Kobbi Nissim, and Adam Smith. Calibrating noise to sensitivity in private data analysis. In Shai Halevi and Tal Rabin, editors, Theory of Cryptography, pages 265–284, Berlin, Heidelberg, 2006. Springer Berlin Heidelberg. ISBN 978-3-540-32732-5. Úlfar Erlingsson, Vasyl Pihur, and Aleksandra Korolova. Rappor: Randomized aggregatable privacy-preserving ordinal response. In Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security, CCS’14, page 1054–1067. ACM, November 2014. DOI 10.1145/2660267.2660348. URL http://dx.doi.org/10.1145/2660267.2660348. Stephen E. Fienberg, Udi E. Makov, and Russell J. Steele. Disclosure limitation using perturbation and related methods for categorical data. 1998. URL https://api.semanticscholar.org/CorpusID:117802596. Shiva Prasad Kasiviswanathan, Homin K. Lee, Kobbi Nissim, Sofya Raskhodnikova, and Adam Smith. What can we learn privately?, 2010. URL https://arxiv.org/abs/0803.0924. Ninghui Li, Tiancheng Li, and Suresh Venkatasubramanian. t-closeness: Privacy beyond k-anonymity and l-diversity. In 2007 IEEE 23rd International Conference on Data Engineering, pages 106–115. IEEE, 2007. Ashwin Machanavajjhala, Daniel Kifer, Johannes Gehrke, and Muthuramakrishnan Venkitasubramaniam. L-diversity: Privacy beyond k-anonymity. Trans. Data Priv., 1(1): 24–43, January 2007. ISSN 1936-1955. DOI 10.1145/1217299.1217302. URL https://doi.org/10.1145/1217299.1217302. Frank McSherry and Kunal Talwar. Mechanism design via differential privacy. In 48th Annual IEEE Symposium on Foundations of Computer Science (FOCS’07), pages 94–103, 2007. DOI 10.1109/FOCS.2007.66. Kobbi Nissim, Sofya Raskhodnikova, and Adam Smith. Smooth sensitivity and sampling in private data analysis. pages 75–84, 06 2007. DOI 10.1145/1250790.1250803. Instituto Colombiano para la Evaluación de la Educación ICFES. Saber 11° 2020-2, 2021. URL https://www.datos.gov.co/Educaci-n/Saber-11-2020-2/rnvb-vnyh/about_data. Accessed: 2025-01-30. Pierangela Samarati and Latanya Sweeney. Protecting privacy when disclosing information: k-anonymity and its enforcement through generalization and suppression. 1998. URL https://api.semanticscholar.org/CorpusID:2181340. Mark Sweep. Probability density function for the beta distribution, 2005. URL https://upload.wikimedia.org/wikipedia/commons/9/9a/Beta_distribution_pdf.png. Accedido el 30 de enero de 2025. Tianhao Wang, Jeremiah Blocki, Ninghui Li, and Somesh Jha. Locally differentially private protocols for frequency estimation. In 26th USENIX Security Symposium (USENIX Security 17), pages 729–745, Vancouver, BC, August 2017. USENIX Association. ISBN 978-1-931971-40-9. URL https://www.usenix.org/conference/usenixsecurity17/technicalsessions/presentation/wang-tianhao Stanley L. Warner. Randomized response: A survey technique for eliminating evasive answer bias. Journal of the American Statistical Association, 60(309):63–69, 1965. ISSN 01621459, 1537274X. URL http://www.jstor.org/stable/2283137. Andrew C. Yao. Protocols for secure computations. In 23rd Annual Symposium on Foundations of Computer Science (sfcs 1982), pages 160–164, 1982. DOI 10.1109/SFCS.1982.38. |
| dc.rights.uri.none.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
47 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/ee3f43ec-c6b1-4f96-9752-ac7f230394c3/download https://repositorio.uniandes.edu.co/bitstreams/684d914a-a664-489d-8668-4e6cc7b95509/download https://repositorio.uniandes.edu.co/bitstreams/3ac25539-eae1-4bd6-a659-11abf58608b5/download https://repositorio.uniandes.edu.co/bitstreams/e70085b3-09c4-4cc6-bcd5-ca2208f47718/download https://repositorio.uniandes.edu.co/bitstreams/3f372ed4-b1c4-4171-bf89-4767fbd9ded1/download https://repositorio.uniandes.edu.co/bitstreams/f098e2f3-942f-4130-95ed-9bef09f9a0e1/download https://repositorio.uniandes.edu.co/bitstreams/a8a1307e-ed08-4c49-8f1a-55a708fc7b73/download |
| bitstream.checksum.fl_str_mv |
0e905d74f7ec8910830d2ea68b32f858 757e093147119d122791063811a5884e ae9e573a68e7f92501b6913cc846c39f 1c0a158085e0ff8e5da0bedfd84290c9 2444abc57dab6a5fd024c78b06090d1d af1a245a2bf5f48dd2515a8043ed61c6 bda5fd416ea8fb02b2a1fd4222c4d28b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1831927807069913088 |
| spelling |
Gauthier Umaña, Valerie ElisabethPérez Bernal, Juan FernandoLópez Céspedes, MateoFacultad de Ingeniería2025-02-01T02:43:34Z2025-02-01T02:43:34Z2025-01-31https://hdl.handle.net/1992/75970instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Esta tesis se centra en la Privacidad Diferencial Local (LDP) y en cómo se comporta con un parámetro ϵ personalizado para cada dato en un conjunto de datos. El objetivo principal es analizar el comportamiento del mecanismo de LDP cuando el parámetro ϵ es personalizado. El análisis se lleva a cabo estableciendo diferentes formas de generar el ϵ mediante el uso de distribuciones estadísticas con distintos parámetros y luego comparando los resultados entre diferentes algoritmos de LDP a través de métricas como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE), el Error Relativo Medio (MRE), entre otras, con el fin de comprender el impacto del ϵ personalizado en la privacidad y la utilidad de los datos.Pregrado47 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y Computaciónhttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Plataforma para el estudio de la implementación de la privacidad diferencial local personalizadaTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPPrivacidad diferencial localPrivacidad diferencialPrivacidadDatosAgregacion de datosPrivacidad personalizadaIngenieríaJayadev Acharya, Ziteng Sun, and Huanyu Zhang. Communication efficient, sample optimal, linear time locally private discrete distribution estimation. CoRR, abs/1802.04705, 2018. URL http://arxiv.org/abs/1802.04705.Björn Bebensee. Local differential privacy: a tutorial, 07 2019.Graham Cormode and S. Muthukrishnan. An improved data stream summary: the countmin sketch and its applications. Journal of Algorithms, 55(1):58–75, 2005. ISSN 0196-6774. DOI https://doi.org/10.1016/j.jalgor.2003.12.001. URL https://www.sciencedirect.com/science/article/pii/S0196677403001913.Graham Cormode, Samuel Maddock, and Carsten Maple. Frequency estimation under local differential privacy. Proceedings of the VLDB Endowment, 14(11):2046–2058, July 2021. ISSN 2150-8097. DOI 10.14778/3476249.3476261. URL http://dx.doi.org/10.14778/3476249.3476261.Damien Desfontaines. A friendly, non-technical introduction to differential privacy. https://desfontain.es/blog/friendly-intro-to-differential-privacy.html, 09 2021. Ted is writing things (personal blog).Cynthia Dwork and Aaron Roth. The algorithmic foundations of differential privacy. Found. Trends Theor. Comput. Sci., 9(3–4):211–407, August 2014. ISSN 1551-305X. DOI 10.1561/0400000042. URL https://doi.org/10.1561/0400000042.Cynthia Dwork, Frank McSherry, Kobbi Nissim, and Adam Smith. Calibrating noise to sensitivity in private data analysis. In Shai Halevi and Tal Rabin, editors, Theory of Cryptography, pages 265–284, Berlin, Heidelberg, 2006. Springer Berlin Heidelberg. ISBN 978-3-540-32732-5.Úlfar Erlingsson, Vasyl Pihur, and Aleksandra Korolova. Rappor: Randomized aggregatable privacy-preserving ordinal response. In Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security, CCS’14, page 1054–1067. ACM, November 2014. DOI 10.1145/2660267.2660348. URL http://dx.doi.org/10.1145/2660267.2660348.Stephen E. Fienberg, Udi E. Makov, and Russell J. Steele. Disclosure limitation using perturbation and related methods for categorical data. 1998. URL https://api.semanticscholar.org/CorpusID:117802596.Shiva Prasad Kasiviswanathan, Homin K. Lee, Kobbi Nissim, Sofya Raskhodnikova, and Adam Smith. What can we learn privately?, 2010. URL https://arxiv.org/abs/0803.0924.Ninghui Li, Tiancheng Li, and Suresh Venkatasubramanian. t-closeness: Privacy beyond k-anonymity and l-diversity. In 2007 IEEE 23rd International Conference on Data Engineering, pages 106–115. IEEE, 2007.Ashwin Machanavajjhala, Daniel Kifer, Johannes Gehrke, and Muthuramakrishnan Venkitasubramaniam. L-diversity: Privacy beyond k-anonymity. Trans. Data Priv., 1(1): 24–43, January 2007. ISSN 1936-1955. DOI 10.1145/1217299.1217302. URL https://doi.org/10.1145/1217299.1217302.Frank McSherry and Kunal Talwar. Mechanism design via differential privacy. In 48th Annual IEEE Symposium on Foundations of Computer Science (FOCS’07), pages 94–103, 2007. DOI 10.1109/FOCS.2007.66.Kobbi Nissim, Sofya Raskhodnikova, and Adam Smith. Smooth sensitivity and sampling in private data analysis. pages 75–84, 06 2007. DOI 10.1145/1250790.1250803.Instituto Colombiano para la Evaluación de la Educación ICFES. Saber 11° 2020-2, 2021. URL https://www.datos.gov.co/Educaci-n/Saber-11-2020-2/rnvb-vnyh/about_data. Accessed: 2025-01-30.Pierangela Samarati and Latanya Sweeney. Protecting privacy when disclosing information: k-anonymity and its enforcement through generalization and suppression. 1998. URL https://api.semanticscholar.org/CorpusID:2181340.Mark Sweep. Probability density function for the beta distribution, 2005. URL https://upload.wikimedia.org/wikipedia/commons/9/9a/Beta_distribution_pdf.png. Accedido el 30 de enero de 2025.Tianhao Wang, Jeremiah Blocki, Ninghui Li, and Somesh Jha. Locally differentially private protocols for frequency estimation. In 26th USENIX Security Symposium (USENIX Security 17), pages 729–745, Vancouver, BC, August 2017. USENIX Association. ISBN 978-1-931971-40-9. URL https://www.usenix.org/conference/usenixsecurity17/technicalsessions/presentation/wang-tianhaoStanley L. Warner. Randomized response: A survey technique for eliminating evasive answer bias. Journal of the American Statistical Association, 60(309):63–69, 1965. ISSN 01621459, 1537274X. URL http://www.jstor.org/stable/2283137.Andrew C. Yao. Protocols for secure computations. In 23rd Annual Symposium on Foundations of Computer Science (sfcs 1982), pages 160–164, 1982. DOI 10.1109/SFCS.1982.38.202014481Publication50baa0b0-593a-4e1d-bc74-7681042b82f6https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001530573ORIGINALautorizacion_tesis_Mateo_firmado.pdfautorizacion_tesis_Mateo_firmado.pdfHIDEapplication/pdf265108https://repositorio.uniandes.edu.co/bitstreams/ee3f43ec-c6b1-4f96-9752-ac7f230394c3/download0e905d74f7ec8910830d2ea68b32f858MD52Plataforma para el estudio de la implementación de la privacidad.pdfPlataforma para el estudio de la implementación de la privacidad.pdfapplication/pdf2458209https://repositorio.uniandes.edu.co/bitstreams/684d914a-a664-489d-8668-4e6cc7b95509/download757e093147119d122791063811a5884eMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/3ac25539-eae1-4bd6-a659-11abf58608b5/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTautorizacion_tesis_Mateo_firmado.pdf.txtautorizacion_tesis_Mateo_firmado.pdf.txtExtracted texttext/plain1364https://repositorio.uniandes.edu.co/bitstreams/e70085b3-09c4-4cc6-bcd5-ca2208f47718/download1c0a158085e0ff8e5da0bedfd84290c9MD55Plataforma para el estudio de la implementación de la privacidad.pdf.txtPlataforma para el estudio de la implementación de la privacidad.pdf.txtExtracted texttext/plain58220https://repositorio.uniandes.edu.co/bitstreams/3f372ed4-b1c4-4171-bf89-4767fbd9ded1/download2444abc57dab6a5fd024c78b06090d1dMD57THUMBNAILautorizacion_tesis_Mateo_firmado.pdf.jpgautorizacion_tesis_Mateo_firmado.pdf.jpgGenerated Thumbnailimage/jpeg9061https://repositorio.uniandes.edu.co/bitstreams/f098e2f3-942f-4130-95ed-9bef09f9a0e1/downloadaf1a245a2bf5f48dd2515a8043ed61c6MD56Plataforma para el estudio de la implementación de la privacidad.pdf.jpgPlataforma para el estudio de la implementación de la privacidad.pdf.jpgGenerated Thumbnailimage/jpeg6798https://repositorio.uniandes.edu.co/bitstreams/a8a1307e-ed08-4c49-8f1a-55a708fc7b73/downloadbda5fd416ea8fb02b2a1fd4222c4d28bMD581992/75970oai:repositorio.uniandes.edu.co:1992/759702025-03-05 10:02:49.764https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |