Differential Privacy for String Algorithms and Data Structures

Jo flere data vi samler hver dag, desto højere er behovet for redskaber, som effektivt og etisk korrekt kan analysere disse data. Dette omfatter beskyttelse af privatsfæren for individet, hvis data vi undersøger. Det er dog ikke altid åbenlyst, hvad det betyder at beskytte en persons privatsfære: selv hvis navn og andre identificerende oplysninger er fjernet fra databasen, kan en ressourcestærk modstander finde muligheder for at afdække personlige data. Et hurtigt voksende forskningsområde ved navn “differential privacy” stræber efter at håndtere denne udfordring med en konsistent, kvantificerbar definition af privatsfærebeskyttelse, som kræver, at alle offentliggjorte informationer om en database, ikke må afhænge for meget af en enkelt persons data. 

Målet med dette projekt er at udvikle redskaber til at undersøge strenge (sekventielle data) på en måde, der beskytter privatsfæren og som undersøger de teoretiske (u)muligheder på dette område.