【新书】差分隐私实战：使用OpenDP进行理论与实践介绍，389页pdf

许多组织今天分析并共享关于个人的庞大且敏感的数据集。无论这些数据集涵盖的是医疗细节、财务记录还是考试成绩，组织通过去识别化、匿名化以及其他传统统计披露限制技术来保护个人信息变得越来越困难。这本实用的书籍解释了差分隐私（DP）如何帮助实现这一目标。作者Ethan Cowan、Michael Shoemate和Mayana Pereira解释了这些技术如何使数据科学家、研究人员和程序员能够进行统计分析而不暴露任何单个个体的贡献。您将深入了解基本的DP概念，明白如何使用开源工具来创建差分隐私统计数据，探索如何评估实用性/隐私权之间的权衡，并学习如何将差分隐私集成到工作流程中。通过这本书，您将学到：- 当其他数据匿名化方法无效时，DP如何保证隐私- 保留数据集中个体隐私的含义- 如何在多个现实场景和数据集中应用DP- 潜在的隐私攻击方法，包括重新识别攻击的含义- 如何在隐私保护的数据发布中使用OpenDP库- 如何解释特定DP数据发布提供的保证关于作者Ethan Cowan是哈佛大学Open Differential Privacy（OpenDP）团队的一员，从事软件和研究工作，尤其关注机器学习模型的隐私化以及开发内置差分隐私的敏感数据分析平台。Ethan还致力于伦理、公平和联邦学习的交叉领域。Michael Shoemate在研究组织TwoRavens工作，开发用于可视化数据和进行统计分析的工具。他的工作涉及多个不同的项目：核心项目、元数据服务和EventData。他还创建了一个名为“common”的可重用模块化UI组件集合，用于在Mithril中快速且统一的前端开发。Mayana Pereira在微软的AI for Good团队中，致力于将机器学习和隐私保护技术应用于各种实际问题。Mayana也是OpenDP的活跃合作者，OpenDP是一个差分隐私社区的开源项目，旨在开发通用的、经过验证的、可用且可扩展的差分隐私工具。