Scalable Cryptographic Techniques for Distributed and Differentially Private Data Analysis

Mine forskningsinteresser ligger i krydsfeltet mellem kryptografi og databeskyttelse. Kombinationen af ​​disse teknikker er effektiv og især nyttig i distribuerede miljøer som maskinlæring, hvor modeller trænes på følsomme brugerdata af virksomheder, der ikke nødvendigvis er troværdige. I min forskning designer jeg algoritmer og protokoller, der muliggør ikke-interaktive eller minimalt interaktive beregninger med snævre grænser for kommunikation, fejl og beskyttelse af personlige oplysninger. Jeg ansøger om denne bevilling for at udvide min erfaring inden for anvendte systemer og AI-privatliv gennem en postdoc på Max Planck Instituttet for Sikkerhed og Privatliv, med Carmela Troncoso og Tamalika Mukherjee som værter, hvorefter jeg vender tilbage til Aarhus Universitet i et år for at sikre en akademisk stilling i Danmark.