This thesis delves into the utility of the Information Bottleneck method foraddressing the Privacy Funnel challenge, employing greedy algorithms as the locally optimalsolution to the non-convex optimization. The Information Bottleneck method, as a significantexpansion of rate-distortion theory in the realm of information theory, focuses on optimizingdata compression while reducing information distortion. The research targets a delicatebalance, required to minimize private data inference while ensuring the reservation of usefulinformation in the output. Applying log-loss as the optimization measure, a greedy algorithmstrategy is deployed to implement the optimal solution. The algorithm's effectiveness isdemonstrated through an empirical evaluation based on a selected dataset published by theUS Census Bureau.

Denna avhandling utforskar användbarheten avinformationsflaskhalsmetoden för att ta itu med integritetsfiltreringsutmaningen, genomanvändning av giriga algoritmer. Denna metod, en betydande utvidgning av teorin om takt-distorsion inom informationsteorin, fokuserar på att optimera komprimering av uttrycksamtidigt som informationsförvrängning minimeras. Forskningen siktar på den känsligabalansen som krävs för att minimera slutsatser av privat data samtidigt som användbarinformation i utdata bevaras. Genom att använda log-förlust som optimeringskriterium,implementeras en strategi med giriga algoritmer för att hitta den optimala lösningen.Algoritmernas effektivitet visas genom en grafisk framställning av numeriska analyserbaserade på en verklig datamängd.