Apple vient de publier quatre enregistrements vidéo et une synthèse de recherche issus de son Workshop 2026 consacré au « Privacy-Preserving Machine Learning & AI ».
Le contenu est disponible via une note sur le blog Machine Learning d’Apple : machinelearning.apple.com/updates/ppml-2026.
Un atelier sur deux jours, centré sur la confidentialité
Durant cet événement, des chercheurs d’Apple et de la communauté académique ont abordé les avancées récentes en IA et en machine learning « privacy-preserving ». Les échanges se sont articulés autour de trois axes : l’apprentissage privé et les statistiques, les modèles de fondation et la confidentialité, ainsi que les attaques et la sécurité.
Apple met en avant des travaux couvrant notamment l’apprentissage fédéré, l’apprentissage statistique, les modèles de confiance, les attaques, l’accounting de confidentialité (privacy accounting) et les défis propres aux modèles de fondation, avec une volonté de relier cadres théoriques et usages concrets.
Quatre interventions mises en avant
- Crypto for DP and DP for Crypto, présentée par Kunal Talwar (Research Scientist chez Apple)
- Online Matrix Factorization and Online Query Release, présentée par Aleksandar Nikolov (University of Toronto)
- Learning from the People: Communicating about S&P Technology for Responsible Data Collection, présentée par Elissa Redmiles (Georgetown)
- Understanding and Mitigating Memorization in Foundation Models, présentée par Franziska Boenisch (CISPA)
24 publications citées, dont trois signées par des chercheurs d’Apple
Apple souligne également 24 travaux présentés lors de l’atelier. Parmi eux, trois articles développés par des chercheurs actuels ou anciens de l’entreprise :
- Combining Machine Learning and Homomorphic Encryption in the Apple Ecosystem
- Efficient privacy loss accounting for subsampling and random allocation
- Trade-offs in Data Memorization via Strong Data Processing Inequalities
L’ensemble des sessions et la liste complète des papiers référencés sont regroupés sur la page de l’atelier : machinelearning.apple.com/updates/ppml-2026.
Rédigé avec l'assistance d'outils d'IA, vérifié et validé par la rédaction.
