<div dir="ltr"><div>Next Wednesday we are happy to have Audra McMillan from University of Michigan. The talk is at MCS 148 from 9:45 to 10:45, followed by lunch in the BUSec lounge. The week after we will have Sam Kim from Stanford.<br></div><div><br></div><div><br></div><div>Local Differential Privacy for Physical Sensor Data and Sparse Recovery</div><div>Audra McMillan, University of Michigan</div><div>Wednesday October 4, 2017, 9:45 am - 10:45 am</div><div>BU Computer Science, Room MCS 148</div><div>111 Cummington St, Boston MA 02215</div><div><br></div><div>Abstract:</div><div><br></div><div>In recent years, wireless technology has allowed the power of lightweight (thermal, light, motion, etc.) sensors to be explored. This data offers important benefits to society. For example, thermal sensor data now plays an important role in controlling HVAC systems and minimising energy consumption in smart buildings. Simultaneously, we have begun to understand the extent to which our privacy is compromised by this level of data collection. In particular, allowing sensors into the home has resulted in considerable privacy concerns. Differential privacy has been developed to help alleviate these privacy concerns.</div><div><br></div><div>In this talk we will exploit the ill-posedness of the inverse heat equation to design a locally differentially private algorithm for releasing thermal sensor measurements. Intuitively, ill-posedness should mean that we do not have to perturb the sensor data very much to achieve privacy. It turns out that while partially true, the definition of differential privacy is too strong for this to be true for general ill-conditioned inverse problems. We discuss the connections between the property of being ill-conditioned and how much noise we need to add to make measurements private.</div><div><br></div><div>To verify the utility of the private data, we will discuss how l_1 minimisation can be used to recover the general “geographic vicinity” of the heat sources from the private thermal data when the initial heat source vector is sparse. It is well-known that recovery in traditional norms like l_1 and l_2 is impossible under the presence of even a small amount of noise. However, we find that the recovered vector is satisfactorily close (for reasonable parameter settings) to the true source vector in the Earth Mover Distance. Our work is a generalisation of Li, Other and Tsai [Inverse Problems and Imaging, 1(1), 2014] to heat source vectors with more than one source.</div><div><br></div><div>Joint work with Anna C. Gilbert.</div></div>