Minat dan Keahlian

Pembelajaran mesin (ML) digunakan di berbagai bidang, termasuk kesehatan, keuangan, dan ritel, untuk melatih model prediktif. Dalam beberapa tahun terakhir, platform ML-as-a-service semakin populer. Penggunaan kumpulan data besar dari berbagai sumber membantu meningkatkan akurasi pelatihan model, tetapi pengumpulan data dalam skala besar ini menimbulkan kekhawatiran serius terkait privasi.

Penelitian saya berfokus pada pelatihan model pembelajaran mesin yang menjaga privasi dalam dua skenario, yaitu komputasi multi-pihak (multi-party computation/MPC) dan pembelajaran terfederasi (federated learning). Dalam skenario MPC, metode saat ini menggunakan protokol yang mahal, seperti garbled circuits, untuk menghitung fungsi aktivasi non-linear dan turunannya, karena secara teknis sulit untuk menghitung fungsi tersebut dalam pengaturan MPC. Demikian pula, dalam pembelajaran terfederasi, perlindungan privasi data sering kali mengorbankan efisiensi pelatihan. Penelitian saya berfokus pada perancangan dan implementasi protokol baru untuk pelatihan pembelajaran mesin yang menjaga privasi, sekaligus tetap praktis dan efisien untuk digunakan dalam aplikasi dunia nyata.

Komentar

Di Supra, saya telah terlibat dalam berbagai permasalahan penelitian, termasuk Distributed Key Generation (DKG), khususnya saya telah bekerja pada Class group DKG. Saya juga terlibat dalam implementasi berbagai protokol dan pustaka kriptografi.