Privacy aware Data Science

报告题目：Privacy aware Data Science

报告时间：2020年12月4日 周五 下午2：30

腾讯会议ID: 979 496 572

报告人：李罡 博士 澳大利亚迪肯大学信息技术学院

专家简介：Gang Li，男，澳大利亚迪肯大学信息技术学院研究员，澳大利亚迪肯大学Data to Intelligence数据智能研究中心主任。

目前担任IEEE计算智能学会数据挖掘与大数据分析DMTC技术委员会委员（2017-2018副主席）、IEEE SMC学会工业信息系统（TCEIS）技术委员会委员、IEEE Task Force on Educational Data Mining主席 (2020-2023)，并且担任SCI期刊Journal of Travel Research (Sage), Decision Support Systems（Elsevier）、IEEE Access （IEEE）和 Information Discovery & Delivery （Emerald）副编辑和杂志编委。2017/2020知识科学工程与管理国际会议（KSEM2017/2020，CCF C）程序主席和会议主席、2016 IEEE工业信息系统会议（ES2016）程序主席、2016智能信息处理会议（IIP2016）程序主席、2016 BESC会议程序主席、2019知识科学工程与管理国际会议（KSEM2019，CCF C）大会主席 。

报告摘要：This talk will present an overview of recent advances in differential privacy, in the area of data science. After recapping the basic concepts on differential privacy, we will introduce the requirements of differential privacy in different tasks of data science, including PAC learning, objective optimization and unsupervised learning. Then, techniques for bringing differential privacy into those tasks will be categorized as input perturbation, objective perturbation and output perturbation. A strong composition theorem to quantify the privacy loss in the context of data science will be introduced, as an extension of the simple composition and the advance composition theorems.