Adam Smith est professeur d'informatique à l'université de Boston, où il dirige des recherches à l'intersection de la confidentialité différentielle et de la cryptographie. Ses travaux ont contribué à établir les fondements théoriques de l'analyse de données préservant la vie privée, influençant à la fois la recherche académique et le déploiement industriel de systèmes de calcul privé. Smith est largement cité pour ses contributions à la confidentialité différentielle, au calcul multipartite sécurisé et à la conception d'algorithmes garantissant des protections formelles de la vie privée.
Né aux États-Unis, Smith a terminé ses études de premier cycle en mathématiques et en informatique avant d'obtenir un doctorat en informatique du MIT en 2000. Ses recherches doctorales portaient sur les protocoles cryptographiques et les fondements du calcul sécurisé. Il a ensuite occupé des postes à l'université Carnegie Mellon et à l'université d'État de Pennsylvanie avant de rejoindre l'université de Boston, où il est membre du corps professoral depuis 2013.
Confidentialité différentielle et fondements de l'analyse de données privées
Les premiers travaux de Smith dans les années 2000 ont contribué à formaliser la notion de confidentialité différentielle, un cadre qui quantifie la perte de confidentialité encourue lors de la publication d'informations statistiques sur un ensemble de données. Il a participé au développement de mécanismes qui ajoutent un bruit calibré aux sorties de requêtes, garantissant que la présence ou l'absence de tout enregistrement individuel a un effet limité sur le résultat. Son article de 2006 sur l'interaction entre la confidentialité différentielle et les statistiques robustes est considéré comme une étape importante, démontrant que les estimateurs privés peuvent atteindre une précision quasi optimale pour une large gamme de tâches statistiques.
L'une des contributions clés de Smith est le concept d'« amplification de la confidentialité » par sous-échantillonnage, qui montre que sélectionner aléatoirement un sous-ensemble de données avant d'appliquer un mécanisme privé peut réduire considérablement le coût de confidentialité. Ce principe est devenu un outil standard dans la conception d'algorithmes d'apprentissage automatique privés, y compris ceux utilisés dans les systèmes de deep learning et d'IA générative.
Cryptographie et calcul sécurisé
Au-delà de la confidentialité différentielle, Smith a apporté des contributions substantielles à la cryptographie, en particulier dans le domaine du calcul multipartite sécurisé (MPC). Ses recherches ont exploré comment plusieurs parties peuvent calculer conjointement une fonction sur leurs entrées privées sans se révéler ces entrées. Il a travaillé sur des protocoles qui atteignent la sécurité contre des adversaires malveillants, améliorant l'efficacité et la praticité du MPC pour des applications réelles.
Les travaux cryptographiques de Smith croisent également la confidentialité différentielle, car il a étudié comment les techniques cryptographiques peuvent être utilisées pour appliquer des garanties de confidentialité dans des environnements distribués. Ses recherches collaboratives avec Aleksander Madry et d'autres ont abordé les défis de l'apprentissage privé et de la robustesse des modèles d'apprentissage automatique.
Leadership académique et enseignement
À l'université de Boston, Smith est affilié au Centre d'information et d'ingénierie des systèmes de BU et à l'Institut Hariri pour le calcul. Il enseigne des cours de troisième cycle sur la confidentialité, la cryptographie et les algorithmes, encadrant de nombreux étudiants en doctorat qui ont poursuivi des carrières académiques et industrielles. Son enseignement met l'accent sur l'importance de garanties formelles rigoureuses en matière de confidentialité et de sécurité, et il a été reconnu pour sa capacité à transmettre des concepts théoriques complexes à un large public.
Smith a siégé dans des comités de programme pour des conférences majeures en cryptographie et en confidentialité, notamment CRYPTO, EUROCRYPT et FOCS. Il a également été rédacteur associé pour le Journal of Cryptology et l'IEEE Transactions on Information Theory. Son travail éditorial a contribué à façonner l'orientation de la recherche sur le calcul préservant la vie privée.
Impact sur l'industrie et les politiques
Les recherches de Smith ont eu un impact tangible au-delà du monde académique. Ses idées sur la confidentialité différentielle ont informé la conception de systèmes préservant la vie privée dans de grandes entreprises technologiques, notamment Apple, Google et Microsoft. Le Bureau du recensement des États-Unis a adopté la confidentialité différentielle pour le recensement de 2020, une décision influencée par le cadre théorique que Smith et ses collègues ont contribué à développer.
Dans le domaine des politiques, Smith a conseillé des agences gouvernementales sur le partage de données préservant la vie privée et a contribué à des rapports sur l'utilisation éthique des données. Il a pris la parole lors de forums sur l'équilibre entre l'utilité des données et la confidentialité individuelle, plaidant pour l'adoption de garanties formelles de confidentialité dans les publications de données publiques.
Prix et distinctions sélectionnés
Smith a reçu plusieurs prix pour ses recherches, notamment le prix du meilleur article distingué de l'ACM SIGACT et le prix du meilleur article du Symposium IEEE sur la sécurité et la vie privée. Il est membre de l'Association internationale pour la recherche cryptologique (IACR), reconnaissant ses contributions soutenues au domaine. Ses travaux ont été soutenus par des subventions de la National Science Foundation et de la Defense Advanced Research Projects Agency (DARPA).
En 2024, Smith continue de diriger un groupe de recherche actif à l'université de Boston, explorant de nouvelles frontières dans l'apprentissage automatique préservant la vie privée et le calcul sécurisé. Ses projets en cours incluent le développement d'algorithmes privés pour les grands modèles de langage et l'étude de l'interaction entre la confidentialité différentielle et la robustesse adversarial.
Références
- 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.