Núcleo Milenio MiDaS invita a seminario: Differentially private methods for Bayesian model uncertainty in linear regression models

En esta ocasión, Andres Felipe Barrientos, académico del Departamento de Estadística de la Universidad Estatal de Florida dictará "Differentially private methods for Bayesian model uncertainty in linear regression models"

Resumen: 

Los métodos estadísticos para datos confidenciales tienen una gran demanda, por razones que van desde las tendencias recientes en la ley de privacidad hasta consideraciones éticas. Actualmente, la privacidad diferencial es la formalización de la privacidad de los algoritmos aleatorios más ampliamente adoptada en la literatura. Este artículo proporciona métodos diferencialmente privados para manejar la incertidumbre del modelo en modelos de regresión lineal normal. Más precisamente, introducimos técnicas que nos permiten proporcionar factores de Bayes privados diferencialmente, probabilidades posteriores y estimaciones promediadas por el modelo. Nuestros métodos son conceptualmente simples y fáciles de ejecutar con implementaciones existentes de métodos no privados.