Privacidade

In this work, we present a new theoretical framework to measure re-identification risk in such user representations. As an application, we show how our framework is general enough to model important real-world applications such as the Chrome’s Topics API for interest-based advertising.

We present a summary of the work done in the dissertation A formal quantitative study of privacy in the publication of official educational censuses in Brazil, including its contributions and impacts so far. The dissertation presents a systematic refactoring of the conventional treatment of privacy analyses, basing it on mathematical concepts from the framework of Quantitative Information Flow (QIF). We apply our approach to a very large case study: the Educational Censuses of Brazil, curated by the governmental agency INEP, which comprise over 90 attributes of approximately 50 million individuals released longitudinally every year since 2007.

We present a systematic refactoring of the conventional treatment of privacy analyses, basing it on mathematical concepts from the framework of Quantitative Information Flow (QIF). We apply our approach to a very large case study: the Educational Censuses of Brazil, curated by the governmental agency INEP, which comprise over 90 attributes of approximately 50 million individuals released longitudinally every year since 2007.

A divulgação de dados estatísticos, incluindo microdados, é objeto de estudo e de preocupação da comunidade científica há mais de quatro décadas.

Nesta dissertação, fornecemos um estudo quantitativo completo dos riscos à privacidade na divulgação dos Censos Educacionais Brasileiros oficiais fornecidos anualmente pelo INEP, que é o órgão governamental brasileiro responsável pelo desenvolvimento e manutenção de sistemas de estatísticas educacionais. Mais precisamente, analisamos formalmente os riscos de privacidade em bancos de dados divulgados como microdados, i.e. dados no nível de registro de cada indivíduo, e protegidos pela técnica de desidentificação, i.e. a remoção de informações de identificação direta, como nomes de indivíduos ou números de identificação pessoal.

Quantitative Information Flow assessment of vulnerability for microdata datasets using Bayes Vulnerability.

A LGPD está finalmente em vigor, mas quais são os desafios técnicos e científicos à sua real implementação?

Neste artigo, estudamos a relação entre privacidade e acurácia no contexto de bases de dados correlacionados.

Diversas técnicas de anonimização foram propostas e aplicadas na tentativa de balancear o direito à privacidade e a manutenção da utilidade de bases de dados. Nessa palestra, abordaremos algumas dessas técnicas e suas vantagens e desvantagens, além de apresentar casos reais de indivíduos que foram reidentificados, tanto no Brasil quanto no mundo.