No hay comentarios.

CURSO:INTRODUCCION A LA PRIVACIDAD DIFERENCIAL
TRADUCCION:INTRODUCTION TO DIFFERENTIAL PRIVACY
SIGLA:MDS3110
CREDITOS:05 UC
HORAS:90 HORAS DE DEDICACION TOTAL: 24 DIRECTAS Y 66 INDIRECTAS (02 MODULOS)
CARACTER:OPTATIVO
TIPO:CATEDRA
CALIFICACION:ESTANDAR
PALABRAS CLAVE:PRIVACIDAD,PRIVACIDAD DIFERENCIAL,APRENDIZAJE AUTOMATICO
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

Es un curso en modalidad online en que los estudiantes desarrollaran herramientas para la privatizacion de analisis de datos basados en informacion sensible, para ello se abordara mediante ejemplos los riesgos de ocupar datos sensibles para la extraccion de informacion, asi como las dificultades para dar una definicion significativa de privacidad. Tambien, analizaran la definicion formal de privacidad, sus propiedades basicas y los mecanismos mas conocidos para obtenerla. Ademas, aplicaran la teoria de privacidad diferencial a problemas de aprendizaje automatico. Por ultimo, los estudiantes desarrollaran los aprendizajes a traves de actividades teoricas y computacionales, con evaluaciones parciales, mas un proyecto final.


II.RESULTADOS DE APRENDIZAJE

1.Identificar los riesgos del uso indiscreto de datos con informacion sensible a traves de casos reales y sinteticos.

2.Analizar la definicion de privacidad diferencial y el rol de sus parametros en el dise?o de algoritmos.

3.Analizar las tecnicas basicas de privacidad diferencial en problemas de analisis de datos.

4.Aplicar algoritmos diferencialmente privados para problemas de aprendizaje automatico.


III.CONTENIDOS

1.Ataques a la privacidad.
1.1.Estudio de casos: Netflix e informe medico del gobernador de Massachussets.
1.2.Datos agregados: Censo de los Estados Unidos.
1.3.Intentos de definicion de privacidad.

2.Definicion y propiedades basicas.
2.1.Mecanismo de respuesta aleatorizada.
2.2.Privacidad diferencial pura y aproximada.
2.3.Propiedades de la privacidad diferencial.

3.Mecanismos de privatizacion.
3.1.Mecanismo Laplaciano.
3.2.Mecanismo Gaussiano.
3.3.Report Noisy Max y Mecanismo exponencial.

4.Aprendizaje automatico con privacidad diferencial.
4.1.Perturbacion de la funcion objetivo.
4.2.Perturbacion del output y estabilidad algoritmica.
4.3.Metodo de gradiente estocastico ruidoso (perturbacion del gradiente).


IV.ESTRATEGIAS METODOLOGICAS

-Clases en video.

-Cuadernos virtuales de programacion.

-Desarrollo y analisis de casos de estudio.

-Cuestionarios en linea.

-Lecturas.


V.ESTRATEGIAS EVALUATIVAS

-Tareas: 45%

-Quiz: 30%

-Foro de discusion: 10%

-Proyecto final: 15%

-El curso contendra actividades formativas (sin calificacion), las que tienen como proposito la preparacion para las evaluaciones calificadas y van insertas en o entre los recursos de aprendizaje.


VI.BIBLIOGRAFIA

Minima

Dwork, C., & Roth, A.(2014). The algorithmic foundations of differential privacy. Foundations and Trends? in Theoretical Computer Science.

Near, J.P., & Abuah, C.(2021).Programming Differential Privacy.


Complementaria

Se seleccionaran articulos de investigacion relacionados con las tematicas del curso.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO DE INGENIERIA MATEMATICA Y COMPUTACIONAL / OCTUBRE 2022