Un filtro basado en modelos para mejorar la privacidad diferencial local:

La privacidad diferencial local ha ganado popularidad en el ambiente académico e industrial como un mecanismo efectivo de computar estadísticas descriptivas mientras garantiza privacidad para los usuarios finales. En los mecanismos propuestos de privacidad diferencial local, la introducción de ruido es clave para preservar la privacidad, pero puede limitar considerablemente el poder de estimación del proveedor. En el artículo se propone incluir un modelo de machine learning como pre-filtro que ayude a descartar observaciones que son tan ruidosas que no añaden valor al proceso de estimación. Para esto validamos nuestra aproximación con bases de datos sintéticas y reales, e identificamos una reducción promedio de hasta 31% en el error cuadrático medio (MSE).