Maximera integritet och användbarhet: Fallet för PML
Detta projekt syftar till att utveckla ett teoretiskt ramverk för integritetsbevarande databehandling med bevisbara integritetsgarantier med hjälp av mått på punktvis maximalt läckage (PML). PML är ett nytt statistiskt slutledningsmått som är förklarligt, flexibelt och kan införliva tidigare domänkunskaper. Detta kommer att förenkla dess rättsliga antagande och förbättra användbarheten genom bättre anpassade integritetsmekanismer.
I tre arbetspaket kommer detta projekt att utveckla analytiska verktyg för integritetsriskbedömning och optimala mekanismdesignmetoder med PML som integritetsmått, med beaktande av grundläggande byggstenar och tillvägagångssätt för databehandling och inlärning av integritetsbevarande. De vetenskapliga forskningsfrågorna inkluderar att utforska de analytiska egenskaperna hos PML, utvärdera PML-integritetsgarantin för standard integritetsmekanismer, erhålla optimal design med PML som maximerar avvägningen mellan integritetsverktyget och övre gräns för PML i standardinlärnings- och optimeringsalgoritmer. Det slutliga målet med detta projekt är att PML ska bli en allmänt accepterad och använd integritetsåtgärd som möjliggör utformningen av effektiva algoritmer med tillräckligt starka och meningsfulla bevisbara integritetsgarantier som uppfyller behoven för bedömning av laglig efterlevnad. Detta ramverk kommer att främja en ansvarsfull användning av datadelning samtidigt som det säkerställs att individers integritetsrättigheter skyddas, vilket leder till betydande framsteg inom forskning, teknik och samhällle.
Publikationer
S. Saeidian, L. Grosse, P. Sadeghi, M. Skoglund, and T. J. Oechtering, “Information Density Bounds for Privacy,¨ın IEEE Transactions on Information Theory, vol 72, pp. 610-635, 2026, doi=10.1109/TIT.2025.3637364.
S. Saeidian, A. Yavuzyılmaz, L. Grosse, G. Schuppe, and T. J. Oechtering “A Tight Context- aware Privacy Bound for Histogram Publication,” in IEEE Signal Processing Letters, vol 32, pp. 4169-4-173, 2025, doi: 10.1109/LSP.2025.3620776.
L. Grosse, S. Saeidian, T. J. Oechtering, and M. Skoglund, “Dobrushin Coefficients of Private Mechanisms Beyond Local Differential Privacy,” accepted at IEEE Intern. Symp. Inform. Theory, 2026.
L. Grosse, S. Saeidian, T. J. Oechtering, and M. Skoglund, “Privacy Mechanism Design based on Empirical Distributions,” accepted at 39th IEEE Computer Security Foundations Symposium (CSF), 2026.
L. Grosse, S. Saeidian, T. J. Oechtering, and M. Skoglund, “Bounds on the Privacy Amplification of Arbitrary Channels via the Contraction of fα-Divergence,” in Proc. 61st Allerton Conference on Communication, Control and Computing, 2025.
Forskare
