{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3363941"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3363941","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Optimizεr: Towards Democratizing Differential Privacy - Optimizing the Value of ε given a real world metric.","abstract":"Η παρούσα διατριβή αντιμετωπίζει την πρόκληση της ενσωμάτωσης των θεωρητικών εν- νοιών του κόσμου τού Differential Privacy με πρακτικές εφαρμογές σε πραγματικά σενά- ρια. Η τεχνίκη του Differential Privacy, έχει σχεδιαστεί για να διασφαλίζει την ιδιωτικότητα των δεδομένων κατά την ανάλυση και τον υπολογισμό, αλλά οι μεταβλητές που χρείαζονται για την εφαρμογή της, συχνά δεν γίνεται κατανοητές για όσους δεν έχουν εξειδικευμένες γνώσεις. Ο πρωταρχικός στόχος της παρούσας έρευνας είναι η δημιουργία ενός ισχυρού θεωρητι- κού μαθηματικού πλαισίου το οποίο προσπαθεί να επιλέξει τις καλύτερες μεταβλητές για την εφαρμογη του Diferrential Privacy, λαμβάνοντας σαν μεταβλήτη μια πραγματική με- τρική εύκολα κατανοήτη σε ανθρώπους χωρίς ειδικές γνώσεις. Η επιλόγη, προσπαθεί να ισσοροήσει αναμεσα στην χρησιμότητα των δεδομενων και την ιδιωτικότητα αυτών, όταν εφαρμοζουμε differential privacy. Στην παρούσα διατριβή δημιουργήθηκε ο ”Optimizεr”, μια καινοτόμος πλατφόρμας που παρέχει Privacy As A Service. Αυτή η πλατφόρμα κάνει πιο προσιτή την χρήση της Differential Privacy ιδίως σε μη εξειδικευμένους ανθρώπους στον χώρο αυτό. Στην σύνε- χεια, χρησιμοποιούμε την πλατφόρμα ”Optimizεr” σε ένα σενάριο με την χρήση πραγμα- τικών δεδομένων, δείχνοντας την ικανότητά τής πλατφόρμας να επιτρέπει στους χρήστες να διατηρήσουν την ιδιωτικότητα των δεδομένων τους χωρίς να απαιτείται βαθιά κατα- νόηση της Differential Privacy. Οι επιδόσεις και η αποτελεσματικότητα της πλατφόρμας επαληθεύονται μέσω λεπτομερούς ανάλυσης των αποτελεσμάτων. Στην παρούσα διατριβή η πλατφόρμα ’Optimizεr’ χειρίζεται βασικές συναρτήσεις όπως η μέση τιμή, η οποία είναι ιδιαίτερα χρήσιμη και ευρέως διαδεδομένη σε αλγορίθμους επε- ξεργασίας δεδομένων. Στην συνέχεια, η έρευνα επικεντρώνεται στην πρακτική εφαρμογή της Differential Privacy μέσω της πλατφόρμας ’Optimizεr’ και στην αποτελεσματικότητά της σε πραγματικά δεδομένα.","abstract_html":"Η παρούσα διατριβή αντιμετωπίζει την πρόκληση της ενσωμάτωσης των θεωρητικών εν- νοιών του κόσμου τού Differential Privacy με πρακτικές εφαρμογές σε πραγματικά σενά- ρια. Η τεχνίκη του Differential Privacy, έχει σχεδιαστεί για να διασφαλίζει την ιδιωτικότητα των δεδομένων κατά την ανάλυση και τον υπολογισμό, αλλά οι μεταβλητές που χρείαζονται για την εφαρμογή της, συχνά δεν γίνεται κατανοητές για όσους δεν έχουν εξειδικευμένες γνώσεις. Ο πρωταρχικός στόχος της παρούσας έρευνας είναι η δημιουργία ενός ισχυρού θεωρητι- κού μαθηματικού πλαισίου το οποίο προσπαθεί να επιλέξει τις καλύτερες μεταβλητές για την εφαρμογη του Diferrential Privacy, λαμβάνοντας σαν μεταβλήτη μια πραγματική με- τρική εύκολα κατανοήτη σε ανθρώπους χωρίς ειδικές γνώσεις. Η επιλόγη, προσπαθεί να ισσοροήσει αναμεσα στην χρησιμότητα των δεδομενων και την ιδιωτικότητα αυτών, όταν εφαρμοζουμε differential privacy. Στην παρούσα διατριβή δημιουργήθηκε ο ”Optimizεr”, μια καινοτόμος πλατφόρμας που παρέχει Privacy As A Service. Αυτή η πλατφόρμα κάνει πιο προσιτή την χρήση της Differential Privacy ιδίως σε μη εξειδικευμένους ανθρώπους στον χώρο αυτό. Στην σύνε- χεια, χρησιμοποιούμε την πλατφόρμα ”Optimizεr” σε ένα σενάριο με την χρήση πραγμα- τικών δεδομένων, δείχνοντας την ικανότητά τής πλατφόρμας να επιτρέπει στους χρήστες να διατηρήσουν την ιδιωτικότητα των δεδομένων τους χωρίς να απαιτείται βαθιά κατα- νόηση της Differential Privacy. Οι επιδόσεις και η αποτελεσματικότητα της πλατφόρμας επαληθεύονται μέσω λεπτομερούς ανάλυσης των αποτελεσμάτων. Στην παρούσα διατριβή η πλατφόρμα ’Optimizεr’ χειρίζεται βασικές συναρτήσεις όπως η μέση τιμή, η οποία είναι ιδιαίτερα χρήσιμη και ευρέως διαδεδομένη σε αλγορίθμους επε- ξεργασίας δεδομένων. Στην συνέχεια, η έρευνα επικεντρώνεται στην πρακτική εφαρμογή της Differential Privacy μέσω της πλατφόρμας ’Optimizεr’ και στην αποτελεσματικότητά της σε πραγματικά δεδομένα.","abstract_has_math":false,"creators":["Κεχαγιάς Κωνσταντίνος","Kechagias Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:26:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3363941"],"render_values":[{"text":"uoadl:3363941","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3363941","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3363941","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3363941","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κεχαγιάς Κωνσταντίνος","Kechagias Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3363941","https://pergamos.lib.uoa.gr/uoa/dl/object/3363941"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διατριβή αντιμετωπίζει την πρόκληση της ενσωμάτωσης των θεωρητικών εν- νοιών του κόσμου τού Differential Privacy με πρακτικές εφαρμογές σε πραγματικά σενά- ρια. Η τεχνίκη του Differential Privacy, έχει σχεδιαστεί για να διασφαλίζει την ιδιωτικότητα των δεδομένων κατά την ανάλυση και τον υπολογισμό, αλλά οι μεταβλητές που χρείαζονται για την εφαρμογή της, συχνά δεν γίνεται κατανοητές για όσους δεν έχουν εξειδικευμένες γνώσεις. Ο πρωταρχικός στόχος της παρούσας έρευνας είναι η δημιουργία ενός ισχυρού θεωρητι- κού μαθηματικού πλαισίου το οποίο προσπαθεί να επιλέξει τις καλύτερες μεταβλητές για την εφαρμογη του Diferrential Privacy, λαμβάνοντας σαν μεταβλήτη μια πραγματική με- τρική εύκολα κατανοήτη σε ανθρώπους χωρίς ειδικές γνώσεις. Η επιλόγη, προσπαθεί να ισσοροήσει αναμεσα στην χρησιμότητα των δεδομενων και την ιδιωτικότητα αυτών, όταν εφαρμοζουμε differential privacy. Στην παρούσα διατριβή δημιουργήθηκε ο ”Optimizεr”, μια καινοτόμος πλατφόρμας που παρέχει Privacy As A Service. Αυτή η πλατφόρμα κάνει πιο προσιτή την χρήση της Differential Privacy ιδίως σε μη εξειδικευμένους ανθρώπους στον χώρο αυτό. Στην σύνε- χεια, χρησιμοποιούμε την πλατφόρμα ”Optimizεr” σε ένα σενάριο με την χρήση πραγμα- τικών δεδομένων, δείχνοντας την ικανότητά τής πλατφόρμας να επιτρέπει στους χρήστες να διατηρήσουν την ιδιωτικότητα των δεδομένων τους χωρίς να απαιτείται βαθιά κατα- νόηση της Differential Privacy. Οι επιδόσεις και η αποτελεσματικότητα της πλατφόρμας επαληθεύονται μέσω λεπτομερούς ανάλυσης των αποτελεσμάτων. Στην παρούσα διατριβή η πλατφόρμα ’Optimizεr’ χειρίζεται βασικές συναρτήσεις όπως η μέση τιμή, η οποία είναι ιδιαίτερα χρήσιμη και ευρέως διαδεδομένη σε αλγορίθμους επε- ξεργασίας δεδομένων. Στην συνέχεια, η έρευνα επικεντρώνεται στην πρακτική εφαρμογή της Differential Privacy μέσω της πλατφόρμας ’Optimizεr’ και στην αποτελεσματικότητά της σε πραγματικά δεδομένα.","This thesis addresses the significant challenge of integrating the theoretical concepts of differential privacy with practical applications in real-world scenarios. Differential privacy, designed to ensure data privacy during analysis and computation, often proves difficult to grasp for those without specialized knowledge, owing to its abstract nature. The primary goal of this research is to create a strong theoretical mathematical framework that effectively balances the utility-privacy trade-off in differential privacy, utilizing real- world metrics and applying them to a variety of datasets. A key development in this thesis is the creation of ’Optimizεr’, an innovative platform that provides Privacy as a Service. This platform is crucial in making differential privacy more approachable and easy to use, especially for non-experts. The real-world application of ’Optimizεr’ is demonstrated in a practical scenario, showing its capability to enable users to maintain the privacy of their data without requiring in-depth knowledge of differential pri- vacy. The platform’s performance and effectiveness are validated through detailed anal- ysis. Currently, ’Optimizεr’ is equipped to handle basic functions such as averaging, which are critical in machine learning algorithms. Although this thesis does not explicitly explore in- tegrating differential privacy into machine learning or the development of fair deep learning models, ’Optimizεr’ offers potential for such applications in the future. The research fo- cuses on the practical application of differential privacy through the ’Optimizεr’ platform and its effectiveness in real-world scenarios. To conclude, this thesis builds on existing research to establish a clear, practical con- nection between the complex technical aspects of differential privacy and its application in real-life contexts. It provides detailed guidelines for implementing privacy-preserving practices in different scenarios, aiming to shift the conversation about differential privacy towards a more practical, straightforward, and accessible framework. This approach is crucial for enhancing the practical relevance and broader adoption of differential privacy in various industries, paving the way for future extensions into machine learning and be- yond."]},{"key":"dc:title","label":"Title","values":["Optimizεr: Towards Democratizing Differential Privacy - Optimizing the Value of ε given a real world metric."]}]}],"canonical_facts":{"dc:creator":["Κεχαγιάς Κωνσταντίνος","Kechagias Konstantinos"],"dc:date":["2023"],"dc:description":["Η παρούσα διατριβή αντιμετωπίζει την πρόκληση της ενσωμάτωσης των θεωρητικών εν- νοιών του κόσμου τού Differential Privacy με πρακτικές εφαρμογές σε πραγματικά σενά- ρια. Η τεχνίκη του Differential Privacy, έχει σχεδιαστεί για να διασφαλίζει την ιδιωτικότητα των δεδομένων κατά την ανάλυση και τον υπολογισμό, αλλά οι μεταβλητές που χρείαζονται για την εφαρμογή της, συχνά δεν γίνεται κατανοητές για όσους δεν έχουν εξειδικευμένες γνώσεις. Ο πρωταρχικός στόχος της παρούσας έρευνας είναι η δημιουργία ενός ισχυρού θεωρητι- κού μαθηματικού πλαισίου το οποίο προσπαθεί να επιλέξει τις καλύτερες μεταβλητές για την εφαρμογη του Diferrential Privacy, λαμβάνοντας σαν μεταβλήτη μια πραγματική με- τρική εύκολα κατανοήτη σε ανθρώπους χωρίς ειδικές γνώσεις. Η επιλόγη, προσπαθεί να ισσοροήσει αναμεσα στην χρησιμότητα των δεδομενων και την ιδιωτικότητα αυτών, όταν εφαρμοζουμε differential privacy. Στην παρούσα διατριβή δημιουργήθηκε ο ”Optimizεr”, μια καινοτόμος πλατφόρμας που παρέχει Privacy As A Service. Αυτή η πλατφόρμα κάνει πιο προσιτή την χρήση της Differential Privacy ιδίως σε μη εξειδικευμένους ανθρώπους στον χώρο αυτό. Στην σύνε- χεια, χρησιμοποιούμε την πλατφόρμα ”Optimizεr” σε ένα σενάριο με την χρήση πραγμα- τικών δεδομένων, δείχνοντας την ικανότητά τής πλατφόρμας να επιτρέπει στους χρήστες να διατηρήσουν την ιδιωτικότητα των δεδομένων τους χωρίς να απαιτείται βαθιά κατα- νόηση της Differential Privacy. Οι επιδόσεις και η αποτελεσματικότητα της πλατφόρμας επαληθεύονται μέσω λεπτομερούς ανάλυσης των αποτελεσμάτων. Στην παρούσα διατριβή η πλατφόρμα ’Optimizεr’ χειρίζεται βασικές συναρτήσεις όπως η μέση τιμή, η οποία είναι ιδιαίτερα χρήσιμη και ευρέως διαδεδομένη σε αλγορίθμους επε- ξεργασίας δεδομένων. Στην συνέχεια, η έρευνα επικεντρώνεται στην πρακτική εφαρμογή της Differential Privacy μέσω της πλατφόρμας ’Optimizεr’ και στην αποτελεσματικότητά της σε πραγματικά δεδομένα.","This thesis addresses the significant challenge of integrating the theoretical concepts of differential privacy with practical applications in real-world scenarios. Differential privacy, designed to ensure data privacy during analysis and computation, often proves difficult to grasp for those without specialized knowledge, owing to its abstract nature. The primary goal of this research is to create a strong theoretical mathematical framework that effectively balances the utility-privacy trade-off in differential privacy, utilizing real- world metrics and applying them to a variety of datasets. A key development in this thesis is the creation of ’Optimizεr’, an innovative platform that provides Privacy as a Service. This platform is crucial in making differential privacy more approachable and easy to use, especially for non-experts. The real-world application of ’Optimizεr’ is demonstrated in a practical scenario, showing its capability to enable users to maintain the privacy of their data without requiring in-depth knowledge of differential pri- vacy. The platform’s performance and effectiveness are validated through detailed anal- ysis. Currently, ’Optimizεr’ is equipped to handle basic functions such as averaging, which are critical in machine learning algorithms. Although this thesis does not explicitly explore in- tegrating differential privacy into machine learning or the development of fair deep learning models, ’Optimizεr’ offers potential for such applications in the future. The research fo- cuses on the practical application of differential privacy through the ’Optimizεr’ platform and its effectiveness in real-world scenarios. To conclude, this thesis builds on existing research to establish a clear, practical con- nection between the complex technical aspects of differential privacy and its application in real-life contexts. It provides detailed guidelines for implementing privacy-preserving practices in different scenarios, aiming to shift the conversation about differential privacy towards a more practical, straightforward, and accessible framework. This approach is crucial for enhancing the practical relevance and broader adoption of differential privacy in various industries, paving the way for future extensions into machine learning and be- yond."],"dc:identifier":["uoadl:3363941","https://pergamos.lib.uoa.gr/uoa/dl/object/3363941"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Optimizεr: Towards Democratizing Differential Privacy - Optimizing the Value of ε given a real world metric."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:26:56Z"}