亚当·史密斯是波士顿大学计算机科学教授，领导着差分隐私与密码学交叉领域的研究。他的工作为隐私保护数据分析奠定了理论基础，影响了学术研究和私有计算系统的工业部署。史密斯因其在差分隐私、安全多方计算以及保证正式隐私保护的算法设计方面的贡献而被广泛引用。
史密斯出生于美国，完成了数学和计算机科学的本科学习，并于2000年在麻省理工学院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年起担任教员。
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，这是一个量化发布数据集统计信息时隐私损失的框架。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或缺失对结果的影响有限。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，证明了私有估计器可以在广泛的统计任务中实现接近最优的准确性。
史密斯的关键贡献之一是通过子采样实现“隐私放大”的概念，这表明在应用私有机制前随机选择数据子集可以显著降低隐私成本。这一原则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
除了差分隐私，史密斯在密码学领域也做出了重大贡献，特别是在安全多方计算（MPC）方面。他的研究探索了多方如何在不向彼此透露私有输入的情况下联合计算函数。他致力于开发针对恶意对手实现安全性的协议，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交叉，他研究了如何使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和机器学习模型鲁棒性方面的挑战。
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和哈里里计算研究所。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任职。他的教学强调隐私和安全中严格正式保证的重要性，并因能将复杂理论概念传达给广泛受众而受到认可。
史密斯曾担任密码学和隐私领域主要会议的程序委员会委员，包括CRYPTO、EUROCRYPT和FOCS。他还担任过《密码学杂志》和《IEEE信息理论汇刊》的副编辑。他的编辑工作帮助塑造了隐私保护计算研究方向。
对工业界和政策的影响
史密斯的研究在学术界之外产生了切实影响。他对差分隐私的见解为苹果、谷歌和微软等主要科技公司的隐私保护系统设计提供了信息。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帮助开发的理论框架的影响。
在政策领域，史密斯曾就隐私保护数据共享向政府机构提供建议，并为关于数据伦理使用的报告做出了贡献。他在关于数据效用与个人隐私平衡的论坛上发表演讲，倡导在公共数据发布中采用正式隐私保证。
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，以表彰他对该领域的持续贡献。他的工作得到了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和安全计算的新前沿。他的 ongoing 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鲁棒性之间的相互作用。
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.