弗兰克·麦克谢里（Frank McSherry）是一位计算机科学家，因对差分隐私的基础性贡献而闻名。差分隐私是一种数学框架，用于量化和限制数据分析过程中产生的隐私损失。他的工作主要是在微软研究院（Microsoft Research）任职期间完成的，帮助将差分隐私从理论构想转变为实用、可扩展的系统，用于在不损害个人记录的前提下发布统计洞察。这项研究已成为现代数据管理的基础，并影响了Machine learning及数据驱动产品中的当代隐私方法。
麦克谢里的职业生涯处于数据库系统、算法与隐私的交汇点。他一直是隐私保护计算理论与实践领域的活跃研究者，既以严谨的形式化证明著称，也以坚持构建可运行的实现而闻名。他的方法已被科技公司和统计机构广泛采用，解决了数据效用与个人机密性之间的张力。
差分隐私框架
麦克谢里是差分隐私奠基性论文的共同作者，该论文提出了指数机制（exponential mechanism），这是一种在提供强差分隐私保证的同时，发布依赖私有数据的计算结果的方法。这一机制于2000年代中期提出，证明了在敏感数据集上以有原则且可量化的隐私损失进行选择和发布输出是可行的。他还主导了拉普拉斯机制（Laplace mechanism）相关贡献的开发，该机制通过向查询输出添加校准噪声，来掩盖任何单个记录的影响。
他的工作将差分隐私从理论推向实践。他开发了相关系统，展示了如何在隐私预算下执行复杂、多步骤的统计分析，从而为实际部署打开了大门。这一初期方法允许多个分析者提出查询，同时清晰核算累积隐私损失，解决了实际部署中的一个关键障碍。
麦克谢里强调隐私的“数据所有者”视角，确保差分隐私机制不仅可实现、高效，而且在统计上有用。他对算法透明性的关注表明，隐私保证可以被证明，并且能够被工程师实际测试和使用。
对数据系统的贡献
麦克谢里还对更广泛的数据密集型系统领域做出了贡献。他创建并指导了这些理论进展的首批公开实现的开发，其后期工作聚焦于分布式数据处理。他设计了用于大规模图处理和迭代计算的计算系统，解决了延迟和可扩展性问题。他的工作常被与影响云计算和数据栈的其他系统项目相提并论，例如Xerox PARC在个人计算方面的创新，以及Nokia Bell Labs的基础系统研究，但麦克谢里的工作以隐私为明确目标。
他的分布式系统贡献包括创建计算系统，为流式分析提供动态数据结构。他的模型已被纳入生产集群，并影响了主要科技公司的隐私保护方法，包括Amazon Web Services和Microsoft Azure。他的见解是，严格的隐私必须端到端地融入设计、、即从设计之初就全面考虑隐私、、这已成为他公开发表和演讲中的核心原则。
认可与影响
麦克谢里的理论贡献为他赢得了2007年FOCS最佳论文奖（因其差分隐私框架）、ACM SIGMOD最佳论文奖（因其隐私集成查询系统工作），以及2022年STOC时间检验奖（因其指数机制基础论文）。他常被邀请在年度隐私会议上发表演讲。他的工作因在差分隐私原理方面的贡献而被广泛引用，引用次数超过4万次。
他的工作影响了围绕数据保护的法律和政策讨论。美国人口普查局已采用差分隐私，他的思想被纳入数据收集设计以及Apple等公司的分析部署中。
他积极倡导负责任的数据科学，并是隐私集成学习的独立作者。他对算法中隐私问题的批判性视角挑战了早期Deep learning时代的一些既有观念，推动了系统中介隐私领域更严格标准的形成。
任职与工作
麦克谢里的主要工作是在Microsoft (AI)完成的（他曾任职于微软研究院），之后他联合创立了一家专注于匿名化和数据处理的初创公司。他是一所著名数据库研究型大学的兼职教授，这一角色使他在学术文献中具有重要影响力。他与英国相关机构有咨询合作，并与Carnegie Mellon University的算法基础研究组有协作。
当需要资深人士对隐私和技术评论发表意见时，他仍然是一个重要的声音，以弥合硬核密码学证明与主流软件实践之间的差距而受到认可。
你只知道他自称是一个构建运行时系统的极客。