Résumé
La confidentialité différentielle (DP, Differential Privacy) est l’une des meilleures approches connues pour protéger des données personnelles tout en permettant d’en extraire des informations statistiques utiles. L’idée centrale est d’ajouter du bruit aléatoire aux données publiées, en quantité soigneusement choisie pour préserver à la fois la confidentialité et l’utilité des données.
La conférencière a introduit le problème de l’anonymisation des données personnelles et motivé l’utilisation d’approches probabilistes. Elle a présenté l’approche classique DP, qui repose sur un traitement centralisé des données, puis une variante plus récente, LDP (Local Differential Privacy), où le bruitage des données est réalisé directement par les participants. Ensuite, elle a introduit le modèle d-privacy, qui unifie le modèle centralisé et le modèle distribué et s’applique à tout domaine métrique, et a montré comment l’appliquer aux données de géolocalisation.
