Muestra las diferencias entre dos versiones de la página.
| Ambos lados, revisión anteriorRevisión previa | |||
| pan:res_privacidad_diferencial [2025/01/07 18:39] – thejuanvisu | pan:res_privacidad_diferencial [2025/01/07 18:51] (actual) – thejuanvisu | ||
|---|---|---|---|
| Línea 39: | Línea 39: | ||
| $$Pr(M(D)∈R)≤Pr(M(D' | $$Pr(M(D)∈R)≤Pr(M(D' | ||
| - | ===== Configuración | + | ===== Escenarios |
| Dependiendo de donde se ejecuta el mecanismo hay 2 tipos de modelos: | Dependiendo de donde se ejecuta el mecanismo hay 2 tipos de modelos: | ||
| * Privacidad diferencial Central: Hay un agregador centralizado de confianza que ejecuta el mecanismo M | * Privacidad diferencial Central: Hay un agregador centralizado de confianza que ejecuta el mecanismo M | ||
| Línea 53: | Línea 53: | ||
| {{drawio> | {{drawio> | ||
| + | ==== Mecanismo Exponencial ==== | ||
| + | Este mecanismo puede ser usado para proveer privacidad diferencial en muchos casos, la idea es reportar una salida de forma privada, pero con una probabilidad proporcional a su utilizad. | ||
| + | |||
| + | ===== Propiedades de la privacidad diferencial ===== | ||
| + | ==== Resistencia al Post-Procesado ==== | ||
| + | El procesado nunca reduce la privacidad, pero puede incrementarla | ||
| + | ==== Privacidad grupal ==== | ||
| + | En un escenario de privacidad diferencial central, se considera que los datasets difieren en más de una entrada. Esto puede ser probado construyendo K datasets cambiando una fila en cada uno. | ||
| + | ==== Composición secuencial ==== | ||
| + | Si se ejecutan k mecanismos en el mismo dataset y se publican todos los resultados, la privacidad se reduce al publicar más resultados, pero, si el valor de $δ$ es algo mayor, se puede obtener un valor de ε mucho menor, aumentando la privacidad. | ||