Boken 'Guide to Data Privacy' er en uunnværlig ressurs for alle som ønsker å forstå hvordan man implementerer informasjonssystemer med innebygd personvern. I denne tilgjengelige læreboken presenteres ulike personvernsmodeller, sammen med datateoretiske definisjoner av personvern og metoder for å anvende disse prinsippene. Leseren vil lære om viktigheten av personvernteknologier, ikke bare for å forhindre urettmessig dataavsløring, men også for å sikre at statistikk og datadrevne maskinlæringsmodeller ikke fører til brudd på personopplysninger. Boken tar for seg spørsmål som: Kan en dyp læringsmodell bli utsatt for angrep hvor sensitiv informasjon som er brukt for opplæring, blir avdekket? Med rike eksempler og grundige forklaringer utforsker denne læreboken hvordan man kan implementere modeller som differensiert personvern, k-anonymitet og sikker flerpartberegning. Den tilbyr en integrert presentasjon av databeskyttelse, inkludert verktøy for statistisk personvernhåndtering, personvernvennlig datagruving, og personvern i kommunikasjon. Videre diskuteres spesifikke personvernkrav og verktøy som er relevante for forskjellige scenarioer, noe som gjør boken til en sentral kilde for fagfolk og studenter innen feltet.
