Adam Smith ist Professor für Informatik an der Boston University, wo er Forschung an der Schnittstelle von differentieller Privatsphäre und Kryptographie leitet. Seine Arbeit hat dazu beigetragen, die theoretischen Grundlagen für datenschutzfreundliche Datenanalyse zu etablieren und sowohl akademische Forschung als auch industrielle Bereitstellung von privaten Berechnungssystemen zu beeinflussen. Smith wird weithin für seine Beiträge zur differentiellen Privatsphäre, zur sicheren Mehrparteienberechnung und zum Design von Algorithmen zitiert, die formale Datenschutzgarantien gewährleisten.
In den Vereinigten Staaten geboren, schloss Smith sein Grundstudium in Mathematik und Informatik ab, bevor er im Jahr 2000 einen PhD in Informatik am MIT erwarb. Seine Doktorarbeit konzentrierte sich auf kryptographische Protokolle und die Grundlagen der sicheren Berechnung. Anschließend hatte er Positionen an der Carnegie Mellon University und der Pennsylvania State University inne, bevor er zur Boston University wechselte, wo er seit 2013 Fakultätsmitglied ist.
Differentielle Privatsphäre und die Grundlagen privater Datenanalyse
Smiths frühe Arbeit in den 2000er Jahren half, das Konzept der differentiellen Privatsphäre zu formalisieren, ein Rahmenwerk, das den Datenschutzverlust quantifiziert, der bei der Veröffentlichung statistischer Informationen über einen Datensatz entsteht. Er trug zur Entwicklung von Mechanismen bei, die kalibriertes Rauschen zu Abfrageergebnissen hinzufügen, um sicherzustellen, dass das Vorhandensein oder Fehlen eines einzelnen Datensatzes nur begrenzte Auswirkungen auf das Ergebnis hat. Seine Arbeit von 2006 über die Interaktion zwischen differentieller Privatsphäre und robuster Statistik gilt als Meilenstein, da sie zeigte, dass private Schätzer für eine breite Palette statistischer Aufgaben nahezu optimale Genauigkeit erreichen können.
Einer von Smiths wichtigsten Beiträgen ist das Konzept der „Privacy Amplification“ durch Teilstichproben, das zeigt, dass die zufällige Auswahl einer Teilmenge von Daten vor der Anwendung eines privaten Mechanismus die Datenschutzkosten erheblich reduzieren kann. Dieses Prinzip ist zu einem Standardwerkzeug im Design privater maschineller Lernalgorithmen geworden, einschließlich derer, die in Deep Learning und generativer KI verwendet werden.
Kryptographie und sichere Berechnung
Über die differentielle Privatsphäre hinaus hat Smith wesentliche Beiträge zur Kryptographie geleistet, insbesondere im Bereich der sicheren Mehrparteienberechnung (MPC). Seine Forschung hat untersucht, wie mehrere Parteien gemeinsam eine Funktion über ihre privaten Eingaben berechnen können, ohne diese Eingaben einander preiszugeben. Er hat an Protokollen gearbeitet, die Sicherheit gegen böswillige Angreifer erreichen und die Effizienz und Praktikabilität von MPC für reale Anwendungen verbessern.
Smiths kryptographische Arbeit überschneidet sich auch mit differentieller Privatsphäre, da er untersucht hat, wie kryptographische Techniken verwendet werden können, um Datenschutzgarantien in verteilten Umgebungen durchzusetzen. Seine gemeinsame Forschung mit Aleksander Madry und anderen hat Herausforderungen im privaten Lernen und in der Robustheit von maschinellen Lernmodellen adressiert.
Akademische Leitung und Lehre
An der Boston University ist Smith dem BU Center for Information and Systems Engineering und dem Hariri Institute for Computing angeschlossen. Er unterrichtet Graduiertenkurse zu Privatsphäre, Kryptographie und Algorithmen und betreut zahlreiche PhD-Studenten, die anschließend akademische und industrielle Positionen übernommen haben. Seine Lehre betont die Bedeutung rigoroser formaler Garantien in Privatsphäre und Sicherheit, und er wurde für seine Fähigkeit anerkannt, komplexe theoretische Konzepte einem breiten Publikum zu vermitteln.
Smith hat in Programmkomitees für große Konferenzen in Kryptographie und Privatsphäre mitgewirkt, darunter CRYPTO, EUROCRYPT und FOCS. Er war außerdem assoziierter Herausgeber des Journal of Cryptology und der IEEE Transactions on Information Theory. Seine redaktionelle Arbeit hat dazu beigetragen, die Forschungsrichtung in der datenschutzfreundlichen Berechnung zu gestalten.
Einfluss auf Industrie und Politik
Smiths Forschung hat über die Akademie hinaus spürbare Auswirkungen gehabt. Seine Erkenntnisse zur differentiellen Privatsphäre haben das Design datenschutzfreundlicher Systeme bei großen Technologieunternehmen beeinflusst, darunter Apple, Google und Microsoft. Das U.S. Census Bureau übernahm differentielle Privatsphäre für die Volkszählung 2020, eine Entscheidung, die vom theoretischen Rahmenwerk beeinflusst wurde, das Smith und seine Kollegen mitentwickelt haben.
Im Politikbereich hat Smith Regierungsbehörden zu datenschutzfreundlichem Datenaustausch beraten und zu Berichten über die ethische Nutzung von Daten beigetragen. Er hat auf Foren über das Gleichgewicht zwischen Datennutzen und individueller Privatsphäre gesprochen und sich für die Einführung formaler Datenschutzgarantien bei öffentlichen Datenveröffentlichungen eingesetzt.
Ausgewählte Auszeichnungen und Ehrungen
Smith hat mehrere Auszeichnungen für seine Forschung erhalten, darunter den ACM SIGACT Distinguished Paper Award und den Best Paper Award des IEEE Symposium on Security and Privacy. Er ist Fellow der International Association for Cryptologic Research (IACR), was seine anhaltenden Beiträge zum Feld anerkennt. Seine Arbeit wurde durch Zuschüsse der National Science Foundation und der Defense Advanced Research Projects Agency (DARPA) unterstützt.
Stand 2024 leitet Smith weiterhin eine aktive Forschungsgruppe an der Boston University, die neue Grenzen im datenschutzfreundlichen maschinellen Lernen und in der sicheren Berechnung erkundet. Seine laufenden Projekte umfassen die Entwicklung privater Algorithmen für große Sprachmodelle und die Untersuchung des Zusammenspiels zwischen differentieller Privatsphäre und adversarischer Robustheit.
Referenzen
- Smith, A. (2006). Differential privacy and robust statistics. In Proceedings of the 38th Annual ACM Symposium on Theory of Computing.
- Smith, A., & Thakurta, A. (2013). Differentially private feature selection via stability arguments. In Proceedings of the 30th International Conference on Machine Learning.
- Bun, M., & Smith, A. (2013). Private and efficient data analysis. In Proceedings of the 4th Conference on Innovations in Theoretical Computer Science.