Bachelorarbeit: Evaluation verschiedener Differential Privacy Frameworks für einen medizinischen Use-Case
In meiner Bachelorarbeit evaluierte ich mit der Betreuung von Herrn Appenzeller und Dr.-Ing. Krempel die drei Frameworks Smartnoise SDK (Microsoft), Diffprivlib (IBM) und Differential Privacy (Google) in der Privatisierung von Daten und ihrer Nutzbarkeit. Dafür wurde eine generische Schnittstelle zur Evaluation von medizinischen Daten von mir implementiert. Sie wird in einem medizinischen Anwendungsfall eingesetzt. Für die Evaluation sind die Gesundheitsdaten aus der Veröffentlichung der Anzahl an COVID-19 infizierten Menschen im Zeitraum Dezember des Jahres 2021 genutzt worden. Jedes Framework erhält diese Daten als Eingabe und wertet sie durch eine DP Funktion aus. Aufgrund ihrer jeweiligen Berechnungsergebnisse werden die Frameworks anhand Metriken bewertet. Sie umfassen die Kategorien: die Einhaltung der Privatsphäre, der Genauigkeit und der Erwartungstreue. Wenn die Werte der Metriken den Erwartungen entsprechen, können die Frameworks in den jeweiligen Kategorien eingesetzt werden. Liefert ein Framework ungenaue oder unerwartete Werte, so fließt dies negativ in dessen Bewertung ein. Die gewonnen Erkenntnisse sollen über die Einsetzbarkeit der Frameworks für die Privatisierung von medizinischen Daten Aufschluss geben.
gantt
title Zeitplan der Bachelorarbeit
dateFormat YYYY-MM-DD
section Ausarbeitung
Kapitel 1, 2, 3 :a1, 2022-01-07, 42d
Kapitel 4 :a2, after a1 , 14d
Kapitel 5 :a3, after a2, 14d
Kapitel 6 :a4,after a3, 17d
Kapitel 7, 8.1 :a5,after a4, 14d
Korrektur :a6,after a5, 7d
section Implementierung
Metriken für Bib :b1, 2022-01-07, 14d
Generische Schnittstelle :b2, after b1, 21d
Evaluierung :b3, after b2, 21d
Veranschaulichung :b4,2022-02-25, 21d
Buffer :b5,after b4, 38d