Foundations of differential privacy

Abstract

[en] The main objective of this project is to explain the fundamentals of differential privacy. Differential privacy is a mathematical framework designed to guarantee data privacy in large-scale data analysis, based on the idea that the result of an algorithm should not depend on whether an individual is included in the dataset. This work explains the classic definitions of differential privacy, namely $\varepsilon$-differential privacy and $(\varepsilon, \delta)$-differential privacy, as well as the mechanisms that enable their applications. To delve a little deeper into the world of differential privacy, we also present Rényi differential privacy as a more mathematically refined analysis of this privacy, showing its relationships with classical differential privacy and its advantages.

[ca] L’objectiu principal d’aquest projecte es explicar les bases de la privacitat diferencial. La privacitat diferencial és un marc matemàtic que pretén garantir la privacitat de les dades en grans anàlisis de dades basant-se en la idea que l’output d’un algoritme no hauria de dependre de si un individu forma part del conjunt de dades. En aquest treball s’expliquen les definicions clàssiques de la privacitat diferencial com són la $\varepsilon$-privacitat diferencial i la $(\varepsilon, \delta)$-privacitat diferencial i els mecanismes que permeten les seves aplicacions. Per endinsar-nos una mica més en el món de la privacitat diferencial presentem també la privacitat diferencial de Rényi com una anàlisi matemàticament més refinada d’aquesta privacitat. Mostrant les seves relacions amb la privacitat diferencial clàssica i els seus avantatges.