Adam Smith é professor de ciência da computação na Universidade de Boston, onde lidera pesquisas na interseção entre privacidade diferencial e criptografia. Seu trabalho ajudou a estabelecer as bases teóricas para a análise de dados com preservação de privacidade, influenciando tanto a pesquisa acadêmica quanto a implantação industrial de sistemas de computação privada. Smith é amplamente citado por suas contribuições à privacidade diferencial, à computação multiparte segura e ao design de algoritmos que garantem proteções formais de privacidade.
Nascido nos Estados Unidos, Smith concluiu seus estudos de graduação em matemática e ciência da computação antes de obter um PhD em ciência da computação pelo MIT em 2000. Sua pesquisa de doutorado focou em protocolos criptográficos e nos fundamentos da computação segura. Posteriormente, ocupou cargos na Universidade Carnegie Mellon e na Universidade Estadual da Pensilvânia antes de ingressar na Universidade de Boston, onde é membro do corpo docente desde 2013.
Privacidade Diferencial e os Fundamentos da Análise de Dados Privada
O trabalho inicial de Smith nos anos 2000 ajudou a formalizar a noção de privacidade diferencial, um framework que quantifica a perda de privacidade incorrida ao divulgar informações estatísticas sobre um conjunto de dados. Ele contribuiu para o desenvolvimento de mecanismos que adicionam ruído calibrado às saídas de consultas, garantindo que a presença ou ausência de qualquer registro individual tenha efeito limitado no resultado. Seu artigo de 2006 sobre a interação entre privacidade diferencial e estatística robusta é considerado um marco, demonstrando que estimadores privados podem alcançar precisão quase ótima para uma ampla gama de tarefas estatísticas.
Uma das principais contribuições de Smith é o conceito de "amplificação de privacidade" por meio de subamostragem, que mostra que selecionar aleatoriamente um subconjunto de dados antes de aplicar um mecanismo privado pode reduzir significativamente o custo de privacidade. Esse princípio se tornou uma ferramenta padrão no design de algoritmos de aprendizado de máquina privados, incluindo aqueles usados em aprendizado profundo e sistemas de IA generativa.
Criptografia e Computação Segura
Além da privacidade diferencial, Smith fez contribuições substanciais à criptografia, particularmente na área de computação multiparte segura (MPC). Sua pesquisa explorou como múltiplas partes podem computar conjuntamente uma função sobre suas entradas privadas sem revelar essas entradas umas às outras. Ele trabalhou em protocolos que alcançam segurança contra adversários maliciosos, melhorando a eficiência e a praticidade da MPC para aplicações do mundo real.
O trabalho criptográfico de Smith também se cruza com a privacidade diferencial, pois ele investigou como técnicas criptográficas podem ser usadas para impor garantias de privacidade em ambientes distribuídos. Sua pesquisa colaborativa com Aleksander Madry e outros abordou desafios no aprendizado privado e na robustez de modelos de aprendizado de máquina.
Liderança Acadêmica e Ensino
Na Universidade de Boston, Smith é afiliado ao Centro de Engenharia de Informação e Sistemas da BU e ao Instituto Hariri de Computação. Ele ministra cursos de pós-graduação sobre privacidade, criptografia e algoritmos, orientando numerosos estudantes de PhD que seguiram para posições acadêmicas e na indústria. Seu ensino enfatiza a importância de garantias formais rigorosas em privacidade e segurança, e ele tem sido reconhecido por sua capacidade de transmitir conceitos teóricos complexos a um público amplo.
Smith serviu em comitês de programa de conferências importantes em criptografia e privacidade, incluindo CRYPTO, EUROCRYPT e FOCS. Ele também foi editor associado do Journal of Cryptology e do IEEE Transactions on Information Theory. Seu trabalho editorial ajudou a moldar a direção da pesquisa em computação com preservação de privacidade.
Impacto na Indústria e em Políticas
A pesquisa de Smith teve um impacto tangível além da academia. Suas percepções sobre privacidade diferencial informaram o design de sistemas de preservação de privacidade em grandes empresas de tecnologia, incluindo Apple, Google e Microsoft. O U.S. Census Bureau adotou a privacidade diferencial para o censo de 2020, uma decisão influenciada pelo framework teórico que Smith e seus colegas ajudaram a desenvolver.
Na arena de políticas, Smith aconselhou agências governamentais sobre compartilhamento de dados com preservação de privacidade e contribuiu para relatórios sobre o uso ético de dados. Ele falou em fóruns sobre o equilíbrio entre utilidade dos dados e privacidade individual, defendendo a adoção de garantias formais de privacidade em divulgações públicas de dados.
Prêmios e Honrarias Selecionados
Smith recebeu vários prêmios por sua pesquisa, incluindo o ACM SIGACT Distinguished Paper Award e o IEEE Symposium on Security and Privacy Best Paper Award. Ele é fellow da International Association for Cryptologic Research (IACR), reconhecendo suas contribuições sustentadas ao campo. Seu trabalho tem sido apoiado por bolsas da National Science Foundation e da Defense Advanced Research Projects Agency (DARPA).
Em 2024, Smith continua liderando um grupo de pesquisa ativo na Universidade de Boston, explorando novas fronteiras em aprendizado de máquina com preservação de privacidade e computação segura. Seus projetos em andamento incluem o desenvolvimento de algoritmos privados para grandes modelos de linguagem e a investigação da interação entre privacidade diferencial e robustez adversarial.
Referências
- 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.