Apple a publié quatre enregistrements et un récapitulatif de recherche issus de son Atelier 2026 sur l’apprentissage machine et l’IA préservant la confidentialité.
VIDEOS DE L’ATELIER SUR L’IA ET LA PRIVACITÉ
Dans une nouvelle publication sur son blog dédié à l’apprentissage machine, Apple a mis en avant quatre conférences marquantes de son Atelier 2026 sur l’apprentissage machine et l’IA préservant la confidentialité. Cet événement de deux jours a réuni des chercheurs d’Apple et des membres de la communauté de recherche pour discuter des dernières avancées en matière d’apprentissage machine sécurisé, en se concentrant notamment sur l’apprentissage privé, les statistiques, les modèles fondamentaux ainsi que la sécurité.
Voici ce qu’Apple a déclaré à propos de l’événement :
Les présentations et discussions de l’atelier ont exploré les avancées et les questions ouvertes concernant la confidentialité et l’apprentissage machine, incluant l’apprentissage fédéré, l’apprentissage statistique, les modèles de confiance, les attaques, la comptabilisation de la confidentialité et les défis uniques posés par les modèles fondamentaux. Ces domaines de recherche fondent l’innovation sur une évaluation rigoureuse de la confidentialité et de la sécurité, reliant les cadres théoriques aux applications concrètes.
Parmi les conférences présentées, on retrouve “Crypto for DP and DP for Crypto”, animée par le chercheur Kunal Talwar d’Apple. D’autres interventions incluent :
- Online Matrix Factorization and Online Query Release, présentée par Aleksandar Nikolov de l’Université de Toronto.
- Learning from the People: Communicating about S&P Technology for Responsible Data Collection, animée par Elissa Redmiles de Georgetown.
- Understanding and Mitigating Memorization in Foundation Models, présentée par Franziska Boenisch de CISPA.
Apple a également souligné 24 travaux publiés lors de cet atelier, dont trois articles développés par des chercheurs actuels et anciens de l’entreprise :
- Combining Machine Learning and Homomorphic Encryption in the Apple Ecosystem
- Efficient privacy loss accounting for subsampling and random allocation
- Trade-offs in Data Memorization via Strong Data Processing Inequalities
Pour visionner toutes les sessions et consulter la liste complète des articles référencés, suivez ce lien : https://machinelearning.apple.com/updates/ppml-2026.
