MARC

 008260126s2025        us                              c    eng  d
■001000017357603
■00520260202103535
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280711068
■035    ▼a(MiAaPQ)AAI32040385
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aBailie,  James.▼0(orcid)0000-0002-9301-2961
■24510▼aTopics  in  Privacy,  Data  Privacy  and  Differential  Privacy
■260    ▼a[Sl]▼bHarvard  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a465  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Meng,  Xiao-Li.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aIn  an  era  of  unprecedented  data  availability  and  analytic  capacity,  the  protection  of  individuals'  privacy  in  statistical  data  releases  is  becoming  an  increasingly  difficult  problem.  This  dissertation  contributes  to  the  theoretical  and  methodological  foundations  of  statistical  data  privacy,  largely  focusing  on  differential  privacy  (DP).  We  begin  with  a  multifaceted  investigation  into  privacy  from  legal,  economic,  social,  and  philosophical  standpoints,  before  turning  to  a  formal  system  of  DP  specifications  built  around  five  core  building  blocks  found  throughout  the  literature:  the  domain,  multiverse,  input  premetric,  output  premetric,  and  protection  loss  budget.  This  system  is  applied  to  statistical  disclosure  control  (SDC)  mechanisms  used  in  the  US  Decennial  Census,  analyzing  both  the  traditional  method  of  data  swapping  and  the  contemporary  TopDown  Algorithm.  Beyond  these  case  studies,  this  dissertation  explores  the  inferential  limitations  posed  by  DP  and  Pufferfish  privacy  in  both  frequentist  and  Bayesian  settings,  establishing  general  bounds  under  mild  assumptions.  It  further  addresses  the  challenges  of  applying  DP  to  complex  survey  pipelines,  incorporating  issues  such  as  sampling,  weighting,  and  imputation.  Finally,  it  contextualizes  DP  within  broader  frameworks  of  data  privacy,  namely  the  Five  Safes  and  contextual  integrity,  advocating  for  a  more  integrated  approach  to  privacy  that  respects  statistical  utility,  transparency,  and  societal  norms.
■590    ▼aSchool  code:  0084.
■650  4▼aStatistics
■650  4▼aMathematics
■650  4▼aApplied  mathematics
■653    ▼aDifferential  privacy
■653    ▼aStatistical  disclosure  control
■653    ▼aData  swapping
■653    ▼aBayesian  settings
■653    ▼aContextual  integrity
■690    ▼a0463
■690    ▼a0405
■690    ▼a0364
■71020▼aHarvard  University▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357603▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books