Estudo sobre modelos de aprendizado sobre dados criptografados é premiado pela SBMAC

O estudo foi desenvolvido em um contexto em que a quantidade de dados gerados por pessoas e empresas está crescendo exponencialmente, potencializando o uso de métodos de aprendizado de máquina.
应用数学
08 八月 2023
Estudo sobre modelos de aprendizado sobre dados criptografados é premiado pela SBMAC

O estudo "A survey on fully homomorphic encryption with statistical applications" recebeu o Prêmio Beatriz Neves de Iniciação Científica da Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC). A pesquisa foi desenvolvida pelo aluno da Escola de Matemática Aplicada (FGV EMAp), Rener de Souza Oliveira, como trabalho de conclusão do curso de Matemática Aplicada.

Desenvolvida sob orientação do professor Rodrigo Targino, o trabalho fala sobre Criptografia Completamente Homomórfica, um esquema especial de criptografia que permite a execução de alguns modelos de aprendizado sobre dados criptografados, enquanto, ao mesmo tempo, mantém fortes garantias matemáticas de proteção de privacidade.

Um modelo de aprendizagem de máquinas é um conjunto de funções matemáticas que conseguem identificar padrões em dados e fazer previsões a partir disso. Esses modelos estão presentes em diversas situações do nosso cotidiano, como o desbloqueio facial de smartphones, definição de limites de cartão de crédito, previsão de tempo de entrega em aplicativos de delivery, entre muitas outras.

Para que esses modelos de previsão sejam mais assertivos, é importante fornecer uma base de dados bem extensa e diversa com vários exemplos reais. Porém, quando os dados em questão são sensíveis, como histórico financeiro, exames médicos, dados genomicos ou de localização, criar uma base muito grande esbarra em questões de privacidade dos titulares dos dados.  

O trabalho de Rener gira em torno da criptografia completamente homomórfica, uma técnica especial que permite ao mesmo tempo esconder/proteger dados sensíveis e fazer operações matemáticas avançadas em cima das informações criptografadas. Isso destrava o uso de modelos de machine learning em dados que não podiam antes ser compartilhados. "Apesar de parecer trivial, até 2009, não se sabia se era possível fazer matemática e estatística em cima de dados camuflados por criptografia, pois ela altera completamente a estrutura da informação para conseguir a proteção necessária [...]" - disse Rener.

A resposta surge em 2009, quando o cientista da computação Craig Gentry demonstra em sua tese de doutorado que tal procedimento era possível, batizando o conceito de criptografia completamente homomórfica. "De lá pra cá, muitos avanços aconteceram, tanto no escopo teórico, quando no escopo prático, hoje em dia governos e empresas já vem adotando o uso desse tipo de criptografia e a tendência é que a pesquisa e as aplicações avancem cada vez mais" - comenta o autor, "O trabalho é um grande apanhado de criptografia homomórfica e aplicações, indo desde os requisitos teóricos de álgebra e estatística, até um teste prático onde treinamos um modelo de machine learning em cima de dados de exames de imagens criptografados".

O prêmio Beatriz Neves foi criado pela SBMAC para incentivar a participação de estudantes de graduação em atividades de Iniciação Científica no âmbito de Matemática Aplicada e Computacional. O nome do prêmio é uma homenagem à professora Beatriz Neves (1935 – 1986), que atuou no Instituto de Matemática da UFRJ. O estudo "A survey on fully homomorphic encryption with statistical applications" está disponível na Biblioteca Digital da FGV.

Esse site usa cookies

Nosso website coleta informações do seu dispositivo e da sua navegação e utiliza tecnologias como cookies para armazená-las e permitir funcionalidades como: melhorar o funcionamento técnico das páginas, mensurar a audiência do website e oferecer produtos e serviços relevantes por meio de anúncios personalizados. Para mais informações, acesse o nosso Aviso de Cookies e o nosso Aviso de Privacidade.