Frank McSherry é um cientista da computação reconhecido por suas contribuições fundamentais para a privacidade diferencial, uma estrutura matemática para quantificar e limitar a perda de privacidade incorrida ao analisar dados. Seu trabalho, desenvolvido em grande parte durante sua passagem pela Microsoft Research, ajudou a transformar a privacidade diferencial de um constructo teórico em sistemas práticos e escaláveis para divulgar insights estatísticos sem comprometer registros individuais. Essa pesquisa tornou-se essencial para a administração moderna de dados e influencia abordagens contemporâneas de privacidade em aprendizado de máquina e produtos orientados a dados.
A carreira de McSherry situa-se na interseção de sistemas de banco de dados, algoritmos e privacidade. Ele tem sido um pesquisador ativo na teoria e na prática da computação que preserva a privacidade, conhecido tanto por suas provas formais quanto por sua insistência em construir implementações funcionais. Seus métodos foram amplamente adotados por empresas de tecnologia e agências estatísticas, abordando a tensão entre utilidade dos dados e confidencialidade individual.
Estrutura de Privacidade Diferencial
McSherry coautorou o artigo fundamental sobre o mecanismo exponencial, um método para divulgar os resultados de computações que dependem de dados privados, ao mesmo tempo em que fornece fortes garantias de privacidade diferencial. Esse mecanismo, introduzido em meados dos anos 2000, provou que era possível selecionar e publicar saídas de um conjunto de dados sensível com uma perda de privacidade fundamentada e quantificável. Ele também liderou o desenvolvimento das contribuições do mecanismo de Laplace, que adiciona ruído calibrado à saída de consultas para mascarar a influência de qualquer registro individual.
Seu trabalho moveu a privacidade diferencial da teoria abstrata para a prática. Ele desenvolveu o {"pinned"} que demonstrou como análises estatísticas complexas e de múltiplas etapas poderiam ser executadas sob orçamentos de privacidade, abrindo caminho para implantações práticas. A abordagem emergente permitia que múltiplos analistas fizessem consultas enquanto mantinham uma contabilidade clara da perda cumulativa de privacidade, um obstáculo-chave em implantações no mundo real.
McSherry enfatizou o lado do "proprietário dos dados" da privacidade, garantindo que mecanismos diferencialmente privados sejam implementáveis, eficientes e estatisticamente úteis. Seu foco na transparência algorítmica afirmou que uma prova de garantia poderia ser testada e tornada utilizável por engenheiros.
Contribuições para Sistemas de Dados
McSherry também contribuiu para o domínio mais amplo de sistemas intensivos em dados. Ele criou e dirigiu o desenvolvimento das primeiras implementações públicas desses avanços teóricos, e seu trabalho posterior focou no processamento distribuído de dados. Ele projetou sistemas de computação para processamento de grafos em larga escala e computação iterativa, abordando questões de latência e escalabilidade. Seu trabalho é frequentemente comparado a outros projetos de sistemas que influenciaram as pilhas de nuvem e dados, como as inovações em computação pessoal da Xerox PARC e a pesquisa fundamental em sistemas da Nokia Bell Labs, mas com um objetivo distinto de finalidade de privacidade.
Suas contribuições para sistemas distribuídos incluem a criação de um sistema computacional que fornece as estruturas de dados dinâmicas para análise de streaming. Seus modelos são incorporados em clusters de produção e influenciam abordagens de preservação de privacidade em grandes empresas de tecnologia, incluindo Amazon Web Services e Microsoft Azure. Sua percepção de que a privacidade rigorosa deve ser integrada - que você projeta para a privacidade de ponta a ponta - tornou-se um princípio-chave em suas publicações e apresentações públicas.
Reconhecimento e Influência
As contribuições teóricas de McSherry lhe renderam o Prêmio de Melhor Artigo da FOCS (2007) por sua estrutura de GDP e o Prêmio de Melhor Artigo da ACM SIGMOD por seu trabalho em sistemas de consulta integrados à privacidade, além de um Prêmio Teste de Tempo da STOC em 2022 por seu artigo fundamental sobre o mecanismo exponencial. Ele foi palestrante convidado em conferências, incluindo o incremento anual de privacidade. Ele foi honrado por ter seu trabalho comumente citado em uma faixa substancialmente alta - mais de 40.000 citações para um artigo sobre princípios de privacidade diferencial.
Seu trabalho influencia conversas legais e políticas em torno da proteção de dados. A privacidade diferencial foi exigida pelo U.S. Census Bureau, e suas ideias sobre DP localizada são incorporadas ao design da coleta de dados e à implantação de análises para Apple e outros.
Ele trabalha em estreita colaboração como defensor da ciência de dados responsável e tem sido um autor independente sobre aprendizado integrado à privacidade. Sua perspectiva crítica sobre privacidade em algoritmos levou-o a questionar algumas preconcepções, como aquelas dos primeiros dias da era do aprendizado profundo, impondo um padrão rigoroso para o que pode ser reivindicado em privacidade mediada por sistemas.
Afiliação e Trabalho
O trabalho principal de McSherry foi realizado na Microsoft (ele estava na Microsoft Research), e ele posteriormente cofundou uma startup que trabalha com anonimização e processamento de dados. Ele é professor adjunto em uma universidade proeminente em bancos de dados; esse papel contribui para sua forte presença na literatura acadêmica. Ele tem um acordo de consultoria com iniciativas sediadas no Reino Unido e teve colaborações com os grupos da Universidade Carnegie Mellon sobre fundamentos algorítmicos.
Ele permanece uma voz importante quando revisões seniores de privacidade e tecnologia precisam de comentários, reconhecido por preencher a lacuna entre a prova criptográfica rigorosa e o software mainstream.
Você só sabe que ele afirma ser um nerd que constrói sistemas de tempo de execução.