Till innehåll på sidan

Learning and Sharing under Privacy constraints (DataLEASH)

Om projektet
DataLEASH kommer att utveckla och testa metoder för mer öppen data. Konkret innebär det att vi kommer att leverera riskanalyser för integritetsskydd, (mätetal, metodik, juridiska krav) och integritetsbevarande lärande system (mekanismer, avvägningar mellan integritet och användarnytta). Det kommer vara till hjälp för offentliga organisationer vars data i stor utsträckning måste vara öppna och som därför behöver snabba, enkla och pålitliga metoder för hantering. Med detta kan de fatta välgrundade beslut för hur, och om, data ska delas (begränsa tillgång och göra olika säkerhetsinställningar) samt välja vilken dataomvandling som krävs för en specifik nivå av integritet och användning.

Bakgrund
Integritet och hantering av känsliga data har blivit en stor utmaning i takt med att samhället bygger på datainsamling och avancerade system med maskininlärning. Visserligen har lagstiftning, som GDPR, inneburit ett stort steg för att skydda personuppgifter, men det sakas fortfarande riktlinjer och tekniska specifikationer för skydd mot dataläckage, vilket innebär att data inte kan delas eller utnyttjas till fullo.

Tvärvetenskapligt samarbete
DataLEASH samlar forskare från skolan för elektroteknik och datavetenskap (EECS, KTH), från Juridiska institutionen på Stockholms universitet samt från Decisions, Network, and Analytics lab på RISE.

Tillhör: Digital Futures
Senast ändrad: 2020-01-16