亚当·史密斯是波士顿大学的计算机科学教授，他在那里领导差分隐私与密码学交叉领域的研究。他的工作帮助奠定了隐私保护数据分析的理论基础，影响了学术研究与工业部署中的私有计算系统。史密斯因其对差分隐私、安全多方计算以及保证形式化隐私保护算法设计的贡献而被广泛引用。
史密斯出生于美国，在完成数学和计算机科学的本科学习后，于2000年从卡内基梅隆大学获得计算机科学博士学位。他的博士研究聚焦于密码协议和安全计算的基础。随后，他在卡内基梅隆大学和宾夕法尼亚州立大学任职，之后加入波士顿大学，自2013年起担任教职。
差分隐私与私有数据分析的基础
史密斯在2000年代的早期工作帮助形式化了差分隐私的概念，这一框架量化了发布关于数据集统计信息时所产生的隐私损失。他参与了向查询输出添加校准噪声的机制开发，确保任何单个记录的存在与否对结果的影响有限。他2006年关于差分隐私与稳健统计交互的论文被视为里程碑，证明了私有估计器能够在广泛的统计任务中实现接近最优的精度。
史密斯的关键贡献之一是“隐私放大”概念，即通过对数据子集进行随机抽样后再应用私有机制，可以显著降低隐私成本。这一原理已成为私有机器学习算法设计中的标准工具，包括用于深度学习和生成式AI系统的算法。
密码学与安全计算
在差分隐私之外，史密斯对密码学也做出了实质性贡献，特别是在安全多方计算（MPC）领域。他的研究探索了多方如何在不泄露各自输入的情况下共同计算函数。他致力于开发能够抵御恶意对手攻击的协议，提高了MPC在现实应用中的效率和实用性。
史密斯的密码学工作也与差分隐私相交汇，他研究了如何利用密码技术来在分布式环境中强制执行隐私保证。他与亚历山大·马德里等人的合作研究解决了私有学习中的挑战以及机器学习模型的稳健性问题。
学术领导与教学
在波士顿大学，史密斯隶属于BU信息与系统工程中心以及Hariri计算研究所。他教授关于隐私、密码学和算法的研究生课程，指导了众多博士生，这些学生后来在学术界和工业界担任职位。他的教学强调严格形式化保证在隐私与安全中的重要性，并因其能够向广泛受众传达复杂理论概念而受到认可。
史密斯曾担任密码学与隐私领域主要会议的程序委员会委员，包括CRYPTO、EUROCRYPT和FOCS。他还曾担任《密码学杂志》和《IEEE信息论汇刊》的副编辑。他的编辑工作帮助塑造了隐私保护计算研究的方向。
对工业界与政策的影响
史密斯的研究对学术界之外产生了切实影响。他对差分隐私的见解为大型科技公司的隐私保护系统设计提供了参考，包括苹果、谷歌和微软。美国人口普查局在2020年人口普查中采用了差分隐私，这一决定受到了史密斯及其同事所开发理论框架的影响。
在政策领域，史密斯曾为政府机构提供隐私保护数据共享方面的咨询，并为数据伦理使用报告做出了贡献。他曾在论坛上就数据效用与个人隐私之间的平衡发表演讲，倡导在公共数据发布中采用形式化隐私保证。
部分奖项与荣誉
史密斯因其研究获得了多项奖项，包括ACM SIGACT杰出论文奖和IEEE安全与隐私研讨会最佳论文奖。他是国际密码学研究协会（IACR）的会士，以表彰其对该领域的持续贡献。他的工作得到了美国国家科学基金会和国防高级研究计划局（DARPA）的资助。
截至2024年，史密斯继续在波士顿大学领导一个活跃的研究小组，探索隐私保护机器学习与安全计算的新前沿。他正在进行的研究项目包括为大型语言模型开发私有算法，以及研究差分隐私与对抗稳健性之间的相互作用。
参考文献
- 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.