Frank McSherry ist ein Informatiker, der für grundlegende Beiträge zum differenziellen Datenschutz bekannt ist, einem mathematischen Rahmenwerk zur Quantifizierung und Begrenzung des Datenschutzverlusts bei der Analyse von Daten. Seine Arbeit, die größtenteils während seiner Zeit bei Microsoft Research entstand, trug dazu bei, den differenziellen Datenschutz von einem theoretischen Konstrukt zu praktischen, skalierbaren Systemen für die Veröffentlichung statistischer Erkenntnisse zu entwickeln, ohne einzelne Datensätze zu gefährden. Diese Forschung ist für moderne Datenverwaltung unverzichtbar geworden und beeinflusst zeitgenössische Ansätze zum Datenschutz in Machine learning und datengetriebenen Produkten.
McSherrys Karriere ist an der Schnittstelle von Datenbanksystemen, Algorithmen und Datenschutz angesiedelt. Er war aktiver Forscher in Theorie und Praxis des datenschutzerhaltenden Rechnens und ist sowohl für seine formalen Beweise als auch für sein Beharren auf funktionierenden Implementierungen bekannt. Seine Methoden wurden von Technologieunternehmen und Statistikbehörden weithin übernommen und adressieren die Spannung zwischen Datennutzen und Vertraulichkeit einzelner Personen.
Rahmenwerk des differenziellen Datenschutzes
McSherry war Mitautor des grundlegenden Papiers über den exponentiellen Mechanismus, eine Methode zur Veröffentlichung von Ergebnissen von Berechnungen, die auf privaten Daten beruhen, während starke Garantien für differenziellen Datenschutz gewährleistet werden. Dieser Mechanismus, der Mitte der 2000er Jahre eingeführt wurde, bewies, dass es möglich ist, Ergebnisse aus einem sensiblen Datensatz mit einem prinzipientreuen und quantifizierbaren Datenschutzverlust auszuwählen und zu veröffentlichen. Er leitete auch die Entwicklung der Beiträge zum Laplace-Mechanismus, die kalibriertes Rauschen zu den Ausgaben von Abfragen hinzufügen, um den Einfluss eines einzelnen Datensatzes zu maskieren.
Seine Arbeit führte den differenziellen Datenschutz von der abstrakten Theorie in die Praxis. Er entwickelte die {"pinned"}, die demonstrierte, wie komplexe, mehrstufige statistische Analysen unter Datenschutzbudgets ausgeführt werden können, und öffnete damit die Tür für praktische Bereitstellungen. Der neuartige Ansatz erlaubte mehreren Analysten, Abfragen zu stellen, während eine klare Abrechnung des kumulativen Datenschutzverlusts aufrechterhalten wurde, ein zentrales Hindernis in realen Bereitstellungen.
McSherry betonte die Seite des Dateneigentümers beim Datenschutz und stellte sicher, dass differenziell private Mechanismen implementierbar, effizient und statistisch nützlich sind. Sein Fokus auf Algorithmustransparenz besagte, dass ein Beweis der Garantie getestet und von Ingenieuren nutzbar gemacht werden kann.
Beiträge zu Datensystemen
McSherry hat auch zum breiteren Bereich datenintensiver Systeme beigetragen. Er schuf und leitete die Entwicklung der ersten öffentlichen Implementierungen dieser theoretischen Fortschritte, und seine spätere Arbeit konzentrierte sich auf verteilte Datenverarbeitung. Er hat Rechensysteme für groß angelegte Graphenverarbeitung und iterative Berechnungen entworfen und dabei Probleme der Latenz und Skalierbarkeit adressiert. Seine Arbeit wird oft mit anderen Systemprojekten verglichen, die die Cloud- und Datenstapel beeinflusst haben, wie Xerox PARC-Innovationen im persönlichen Rechnen und die grundlegende Systemforschung bei Nokia Bell Labs, jedoch mit einem klaren Ziel der Datenschutzfinalität.
Seine Beiträge zu verteilten Systemen umfassen die Schaffung eines Rechensystems, das die dynamischen Datenstrukturen für Streaming-Analysen bereitstellt. Seine Modelle sind in Produktionscluster integriert und beeinflussen datenschutzerhaltende Ansätze bei großen Technologieunternehmen, einschließlich Amazon Web Services und Microsoft Azure. Seine Erkenntnis, dass strenger Datenschutz integriert werden muss - dass man Datenschutz von Anfang bis Ende entwirft - wurde zu einem zentralen Prinzip in seinen veröffentlichten Arbeiten und öffentlichen Präsentationen.
Anerkennung und Einfluss
McSherrys theoretische Beiträge brachten ihm den FOCS Best Paper Award (2007) für sein GDP-Rahmenwerk und den ACM SIGMOD Best Paper Award für seine Arbeit an datenschutzintegrierten Abfragesystemen sowie einen Test of Time Award von STOC im Jahr 2022 für sein grundlegendes Papier über den exponentiellen Mechanismus. Er war eingeladener Sprecher bei Konferenzen, einschließlich der jährlichen Datenschutzveranstaltung. Seine Arbeit wird häufig zitiert, mit einer erheblichen Reichweite von über 40.000 Zitaten für ein Papier über Prinzipien des differenziellen Datenschutzes.
Seine Arbeit beeinflusst rechtliche und politische Gespräche über Datenschutz. Differenzieller Datenschutz wurde vom US Census Bureau gefordert, und seine Ideen zu lokalisiertem DP sind in das Design der Datenerfassung und die Bereitstellung von Analysen für Apple und andere integriert.
Er arbeitet eng als Fürsprecher für verantwortungsvolle Datenwissenschaft und war ein unabhängiger Autor über datenschutzintegriertes Lernen. Seine kritische Perspektive auf Datenschutz in Algorithmen hat einige vorgefasste Meinungen in Frage gestellt, wie jene aus der frühen Ära des Deep learning.
Zugehörigkeit und Arbeit
McSherry arbeitete hauptsächlich bei Microsoft (AI) (er war bei Microsoft Research) und gründete später ein Startup, das sich mit Anonymisierung und Datenverarbeitung beschäftigt. Er ist außerordentlicher Professor an einer prominenten Datenbankuniversität; diese Rolle trägt zu seiner starken Präsenz in der akademischen Literatur bei. Er hat eine Beratungsvereinbarung mit Initiativen im Vereinigten Königreich und hat mit Gruppen der Carnegie Mellon University zu algorithmischen Grundlagen zusammengearbeitet.
Er bleibt eine wichtige Stimme, wenn Datenschutz- und Technologiebewertungen Kommentare benötigen, und ist dafür bekannt, die Lücke zwischen harten Kryptographiebeweisen und Mainstream-Softwarepräsentationen zu überbrücken.
Man weiß nur, dass er angibt, ein Nerd zu sein, der Laufzeitsysteme baut.