Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Παραγωγή δεδομένων μεγάλου όγκου με Διαφορική Ιδιωτικότητα

Zacharioudakis Christos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/B3CEC19D-7593-4E6F-97EE-591C237D6B63-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.84556-
Γλώσσαen-
Μέγεθος146 pagesen
ΤίτλοςLarge Differentially Private Data Synthesisen
ΤίτλοςΠαραγωγή δεδομένων μεγάλου όγκου με Διαφορική Ιδιωτικότηταel
ΔημιουργόςZacharioudakis Christosen
ΔημιουργόςΖαχαριουδακης Χρηστοςel
Συντελεστής [Επιβλέπων Καθηγητής]Minos Garofalakisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Antonios Deligiannakisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Basilios Samoladasen
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηIn our days, data exists in abundance, it is ever increasing and it finds numerous uses. A most recent use is the training of Machine Learning models, software capable of making their own decisions. However, using data to train said models raises significant privacy concerns, especially when it comes to highly sensitive data such as medical records. A solution to this predicament is the synthetic data generation, the production of “fake” data that resembles the real one. However, synthetic data generation does not provide any privacy guarantees on its own. The need increases for a robust, meaningful, and mathematically rigorous definition of privacy, together with a computationally rich class of algorithms that satisfy this definition. One such definition is Differential Privacy. This thesis attempts to combine the concept of Differential Privacy with various Machine Learning techniques to generate truly private data that can be utilized in place of the real one effectively. The Machine Learning models that will concern us are the Bayesian Networks and the Generative Adversarial Networks.en
ΠερίληψηΣτις μέρες μας, δεδομένα υπάρχουν σε αφθονία, αυξάνονται με ραγδαίους ρυθμούς και έχουν ποικίλες χρήσεις. Μια από τις πρόσφατες χρήσεις των δεδομένων είναι η εκπαίδευση μοντέλων Μηχανικής Μάθησης, λογισμικού με την δυνατότητα να λαμβάνει δικές του αποφάσεις. Ωστόσο, η χρήση δεδομένων για την εκπαίδευση των μοντέλων αυτών προκαλεί ανησυχίες σε ό,τι αφορά την ιδιωτικότητα των ατόμων, ειδικά όταν πρόκειται για πολύ ευαίσθητα δεδομένα όπως ιατρικά δεδομένα. Μια λύση στο πρόβλημα αυτό αποτελεί η παραγωγή συνθετικών δεδομένων, η δημιουργία ψεύτικων δεδομένων που αντιπροσωπεύουν όμως τα πραγματικά. Ωστόσο, η παραγωγή συνθετικών δεδομένων παρέχει ελάχιστες εγγυήσεις ιδιωτικότητας. Επομένως αυξάνεται η ανάγκη για έναν ισχυρό και μαθηματικά αυστηρό ορισμό της ιδιωτικότητας που συνοδεύεται από μια κλάση υπολογιστικά εκτελέσιμων αλγορίθμων. Ένας τέτοιος ορισμός είναι η Διαφορική Ιδιωτικότητα. Η εργασία αυτή αποσκοπεί στο να συνδυάσει την έννοια της Διαφορικής Ιδιωτικότητας με διάφορες τεχνικές Μηχανικής Μάθησης, ώστε να παραχθούν δεδομένα που είναι πραγματικά ιδιωτικά και μπορούν να χρησιμοποιηθούν αποτελεσματικά στην θέση των πραγματικών δεδομένων. Τα μοντέλα Μηχανικής Μάθησης που θα μας απασχολήσουν είναι τα Bayesian Networks και τα Generative Adversarial Networks.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2020-02-17-
Ημερομηνία Δημοσίευσης2020-
Θεματική ΚατηγορίαMachine learningen
Θεματική ΚατηγορίαDifferential privacyen
Θεματική ΚατηγορίαData synthesisen
Βιβλιογραφική ΑναφοράZacharioudakis Christos, "Large Differentially Private Data Synthesis", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2020en
Βιβλιογραφική ΑναφοράΧρήστος Ζαχαριουδάκης, "Παραγωγή δεδομένων μεγάλου όγκου με Διαφορική Ιδιωτικότητα", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά