Intereses y experiencia

El aprendizaje automático o Machine learning (ML) se utiliza en diversos ámbitos, como la sanidad, las finanzas y el comercio minorista, para entrenar modelos predictivos y, en los últimos años, las plataformas de ML como servicio han ganado mucha popularidad. El uso de grandes conjuntos de datos procedentes de diversas fuentes ayuda a mejorar la precisión del entrenamiento de estos modelos, pero esta recopilación masiva de datos plantea graves problemas de privacidad.

Mi trabajo se centra en el entrenamiento que preserva la privacidad de los modelos de aprendizaje automático en dos entornos: el cálculo multipartito y el aprendizaje federado. En el caso de la computación multipartita (MPC, por sus siglas en inglés), los trabajos actuales utilizan protocolos caros, por ejemplo, circuitos confusos para calcular funciones de activación no lineales y sus derivadas, ya que es un reto técnico calcular estas funciones en un entorno MPC. Del mismo modo, en el entorno del aprendizaje federado, la privacidad de los datos tiene el coste de la ineficacia del entrenamiento. Mi trabajo se centra en diseñar y aplicar nuevos protocolos para el entrenamiento del aprendizaje automático que preserven la privacidad y que también sean prácticos y eficientes para su uso en el mundo real.

Comentario

En Supra, he participado en varios problemas de investigación, incluida la Generación Distribuida de Claves (DKG, por sus siglas en inglés), en particular he trabajado en el grupo Class DKG. También he participado en la implementación de varios protocolos y bibliotecas criptográficos.