Adam Smith es profesor de informática en la Universidad de Boston, donde lidera investigaciones en la intersección de la privacidad diferencial y la criptografía. Su trabajo ha contribuido a establecer los fundamentos teóricos del análisis de datos con preservación de privacidad, influyendo tanto en la investigación académica como en el despliegue industrial de sistemas de computación privada. Smith es ampliamente citado por sus contribuciones a la privacidad diferencial, la computación multiparte segura y el diseño de algoritmos que garantizan protecciones formales de privacidad.
Nacido en Estados Unidos, Smith completó sus estudios de grado en matemáticas e informática antes de obtener un doctorado en informática en el MIT en 2000. Su investigación doctoral se centró en protocolos criptográficos y los fundamentos de la computación segura. Posteriormente ocupó cargos en la Universidad Carnegie Mellon y en la Universidad Estatal de Pensilvania antes de incorporarse a la Universidad de Boston, donde ha sido miembro del profesorado desde 2013.
Privacidad diferencial y los fundamentos del análisis de datos privado
El trabajo temprano de Smith en la década de 2000 ayudó a formalizar la noción de privacidad diferencial, un marco que cuantifica la pérdida de privacidad al publicar información estadística sobre un conjunto de datos. Contribuyó al desarrollo de mecanismos que añaden ruido calibrado a las consultas, garantizando que la presencia o ausencia de cualquier registro individual tenga un efecto limitado en el resultado. Su artículo de 2006 sobre la interacción entre la privacidad diferencial y la estadística robusta se considera un hito, demostrando que los estimadores privados pueden lograr una precisión casi óptima para una amplia gama de tareas estadísticas.
Una de las contribuciones clave de Smith es el concepto de "amplificación de privacidad" mediante submuestreo, que muestra que seleccionar aleatoriamente un subconjunto de datos antes de aplicar un mecanismo privado puede reducir significativamente el costo de privacidad. Este principio se ha convertido en una herramienta estándar en el diseño de algoritmos de aprendizaje automático privados, incluidos los utilizados en sistemas de aprendizaje profundo y IA generativa.
Criptografía y computación segura
Más allá de la privacidad diferencial, Smith ha realizado contribuciones sustanciales a la criptografía, particularmente en el área de la computación multiparte segura (MPC). Su investigación ha explorado cómo múltiples partes pueden calcular conjuntamente una función sobre sus entradas privadas sin revelarlas entre sí. Ha trabajado en protocolos que logran seguridad contra adversarios maliciosos, mejorando la eficiencia y la practicidad de la MPC para aplicaciones del mundo real.
El trabajo criptográfico de Smith también se cruza con la privacidad diferencial, ya que ha investigado cómo las técnicas criptográficas pueden utilizarse para hacer cumplir garantías de privacidad en entornos distribuidos. Su investigación colaborativa con Aleksander Madry y otros ha abordado desafíos en el aprendizaje privado y la robustez de los modelos de aprendizaje automático.
Liderazgo académico y docencia
En la Universidad de Boston, Smith está afiliado al Centro de Ingeniería de Información y Sistemas de BU y al Instituto Hariri de Computación. Imparte cursos de posgrado sobre privacidad, criptografía y algoritmos, y ha supervisado a numerosos estudiantes de doctorado que han pasado a ocupar puestos académicos e industriales. Su enseñanza enfatiza la importancia de las garantías formales rigurosas en privacidad y seguridad, y ha sido reconocido por su capacidad para transmitir conceptos teóricos complejos a una audiencia amplia.
Smith ha formado parte de los comités de programa de las principales conferencias en criptografía y privacidad, incluidas CRYPTO, EUROCRYPT y FOCS. También ha sido editor asociado del Journal of Cryptology y de las IEEE Transactions on Information Theory. Su trabajo editorial ha ayudado a dar forma a la dirección de la investigación en computación con preservación de privacidad.
Impacto en la industria y las políticas públicas
La investigación de Smith ha tenido un impacto tangible más allá del ámbito académico. Sus ideas sobre la privacidad diferencial han informado el diseño de sistemas con preservación de privacidad en las principales empresas de tecnología, incluidas Apple, Google y Microsoft. La Oficina del Censo de Estados Unidos adoptó la privacidad diferencial para el censo de 2020, una decisión influenciada por el marco teórico que Smith y sus colegas ayudaron a desarrollar.
En el ámbito de las políticas públicas, Smith ha asesorado a agencias gubernamentales sobre el intercambio de datos con preservación de privacidad y ha contribuido a informes sobre el uso ético de los datos. Ha participado en foros sobre el equilibrio entre la utilidad de los datos y la privacidad individual, abogando por la adopción de garantías formales de privacidad en la publicación de datos públicos.
Premios y honores seleccionados
Smith ha recibido varios premios por su investigación, incluido el Premio al Artículo Distinguido de ACM SIGACT y el Premio al Mejor Artículo del IEEE Symposium on Security and Privacy. Es miembro de la Asociación Internacional de Investigación Criptológica (IACR), en reconocimiento a sus contribuciones sostenidas al campo. Su trabajo ha sido financiado por subvenciones de la Fundación Nacional de Ciencias y de la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA).
En 2024, Smith continúa liderando un grupo de investigación activo en la Universidad de Boston, explorando nuevas fronteras en el aprendizaje automático con preservación de privacidad y la computación segura. Sus proyectos en curso incluyen el desarrollo de algoritmos privados para modelos de lenguaje de gran escala y la investigación de la interacción entre la privacidad diferencial y la robustez adversarial.
Referencias
- Smith, A. (2006). Privacidad diferencial y estadística robusta. En Actas del 38.º Simposio Anual de ACM sobre Teoría de la Computación.
- Smith, A., y Thakurta, A. (2013). Selección de características con privacidad diferencial mediante argumentos de estabilidad. En Actas de la 30.ª Conferencia Internacional sobre Aprendizaje Automático.
- Bun, M., y Smith, A. (2013). Análisis de datos privado y eficiente. En Actas de la 4.ª Conferencia sobre Innovaciones en Ciencias de la Computación Teórica.