MMLLAPDLD
3
30 HORAS
Al finalizar el curso, el estudiante será capaz de analizar riesgos de privacidad asociados a la publicación de datos sensibles, identificando vulnerabilidades frente a ataques de re-identificación y revelación de atributos; aplicar y evaluar técnicas de anonimización —como generalización, enmascarado y perturbación— bajo nociones formales de privacidad (k-anonimidad, l-diversidad), midiendo el balance entre protección y utilidad de los datos; y diseñar algoritmos diferencialmente privados, seleccionando mecanismos apropiados (Laplace, exponencial), razonando sobre composición y sensibilidad, y explorando variantes avanzadas como privacidad diferencial aproximada y generación de datos sintéticos.
Introducción al análisis de datos sensibles y desafíos de privacidad
Técnicas de anonimización
Privacidad diferencial
Variantes de privacidad diferencial (aproximada, de Rényi, cero-concentrada)
Mecanismos avanzados de composición
Sensibilidad local (sensibilidad suave, propose-test-release, liberación de valores estables, cota diferencialmente privada)
Generación de datos sintéticos
Near, J. P. & Abuah, C. (2011). Programming Differential Privacy. https://programming-dp.com
Dwork, C. & Roth, A. (2014). The Algorithmic Foundations of Differential Privacy. Foundations and Trends in Theoretical Computer Science, 9(3–4), 211–407. https://www.nowpublishers.com/article/Details/TCS-042
Vadhan, S. (2017). The Complexity of Differential Privacy. Tutorials on the Foundations of Cryptography (pp. 347–450). Springer, Cham. https://salil.seas.harvard.edu/publications/complexity-differential-privacy
Near, J. P. & Abuah, C. (2011). Programming Differential Privacy. https://programming-dp.com
Dwork, C. & Roth, A. (2014). The Algorithmic Foundations of Differential Privacy. Foundations and Trends in Theoretical Computer Science, 9(3–4), 211–407. https://www.nowpublishers.com/article/Details/TCS-042
Vadhan, S. (2017). The Complexity of Differential Privacy. Tutorials on the Foundations of Cryptography (pp. 347–450). Springer, Cham. https://salil.seas.harvard.edu/publications/complexity-differential-privacy
Federico Olmedo
Matías Toro
Beauchef #851, Edificio Poniente, segundo piso, oficinas 210-214. Santiago
Educación Continua del Departamento de Ciencias de la Computación se reserva el derecho de suspender la realización del programa si no cuenta con el mínimo de participantes. Al inscribirte aceptas nuestros reglamentos, términos y condiciones.
Departamento de Ciencias de la Computación
Facultad de Ciencias Físicas y Matemáticas
Universidad de Chile
Beauchef 851, Edificio Norte, Tercer Piso
contacto@dcc.uchile.cl
Santiago, Chile. C.P. 837-0456
+562 2978 0652
contacto@dcc.uchile.cl
