Il y a quelques mois, Apple a organisé le Workshop sur l’apprentissage automatique préservant la vie privée, présentant des interventions sur des domaines clés de l’apprentissage automatique responsable. Voici trois points d’intérêt majeurs issus de cet événement.
Le mot de passe de la confidentialité différentielle ! Pratiquement toutes les études présentées se concentrent sur la confidentialité différentielle, un cheval de bataille d’Apple pour protéger les données des utilisateurs lors des interactions avec ses serveurs. Imaginez-le comme un peu de « bruit » qui protège vos secrets tout en laissant les statistiques utiles émerger.
3 études à ne pas manquer
1 : Analytique fédérée et la pan-privacy locale par Guy Rothblum
Local Pan-Privacy pour les analytiques fédérées explore des solutions pour éviter les risques même lorsque des appareils personnels, comme un ordinateur partagé, sont compromis. Les méthodes cryptées suggérées offrent des statistiques utiles tout en garantissant l’invisibilité des activités personnelles.
2 : Recherche privée et flexible avec Wally par Rehan Rishi et Haris Mughees
Cette présentation passionnante propose Wally, une méthode pour exécuter des recherches chiffrées à grande échelle sans compromettre la confidentialité. Grâce à l’ajout de requêtes factices, votre recherche est entourée de données fictives, permettant à chaque utilisateur de bénéficier d’une confidentialité sans malgré la montée en charge.
3 : Données synthétiques privées différentielles par les API de modèle de fondation par Sivakanth Gopi
Bien que présenté par des chercheurs de Microsoft, cette étude brosse un tableau fascinant sur la production de données synthétiques à travers des modèles API, préservant les qualités essentielles des données réelles sans rien divulguer de personnel.
Apple a également publié l’intégralité des études, incluant des contributions de Microsoft, Google et des établissements comme le MIT et l’Université de Californie, Berkeley. Une belle occasion d’explorer les frontières de la confidentialité numérique.
