November 25, 2026 at 4:30 PM (INRIA Lille)
Certaines bases de données peuvent contenir des informations confidentielles. Afin de respecter la vie privée des éléments qui la composent, il faut manipuler les données avec précaution. Par exemple, il n'est pas suffisant de retirer les informations personnelles d'une base de données pour garantir la confidentialité de sa publication. Ces considérations s'appliquent aussi à l'intelligence artificielle. Avec son essor, le besoin en données ne cesse de croître. Les algorithmes d'apprentissage automatique dépendent des données qui ont été utilisées pendant leur ajustement. Il a été démontré qu'alors, l'utilisation publique d'un algorithme d'apprentissage automatique peut entraîner des fuites de confidentialité. Une solution simple et flexible à ce problème réside dans les données synthétiques. Cependant, les données synthétiques peuvent aussi être à l'origine de brèches de confidentialité. La confidentialité différentielle est apparue comme le cadre mathématique de référence pour la protection des algorithmes probabilistes. Durant cette thèse, nous nous intéresserons à la confidentialité différentielle dans le cadre de la génération de données synthétiques. Nous rechercherons des algorithmes performants de génération de données synthétiques en nous intéressant au cas particulier de la protection de données corrélées. Nous étudierons aussi les bornes théoriques et pratiques de confidentialité que l'on peut obtenir après la génération de données confidentielles.
français
English