Es muy divertido. Incluso ignorando la posibilidad (real, si no inmediata) de tener un impacto práctico, es un área excelente de investigación teórica. Esto se debe a que es:
- En sus primeros días, el documento generalmente citado por proporcionar la definición de privacidad diferencial es solo de 2006 (Calibración del ruido a la sensibilidad en el análisis de datos privados, aunque hubo un par de documentos previos a esto), pero
- Tiene conexiones sorprendentemente profundas con muchas otras áreas de la informática teórica, incluida la teoría del aprendizaje, la geometría convexa y la optimización.
En combinación, esto significa que aún puede tener un impacto sustancial al descubrir los resultados “tempranos” que son conceptualmente simples, pero aún fundamentales. Al mismo tiempo, puede usar (¡y aprender!) Sobre una gran colección de herramientas sofisticadas en otros campos que son útiles para probar estos resultados.
Otra área (recién emergente) en la que es muy satisfactorio trabajar es usar las herramientas que se han desarrollado en el transcurso de la última década en materia de privacidad diferencial para demostrar resultados en otros campos. Por ejemplo, resulta ser una colección útil de herramientas cuando se trata de diseñar mecanismos en poblaciones grandes: Privacidad diferencial en la teoría de juegos y diseño de mecanismos.
- ¿Cuáles son los mejores grupos de investigación de geometría computacional en los Estados Unidos?
- ¿Cuál es la mejor manera de estimar computacionalmente la cardinalidad de conjuntos muy grandes?
- Dados los recientes avances en la curación de la ceguera, ¿sigue siendo relevante la investigación en informática de accesibilidad para discapacidades visuales?
- ¿Qué se encuentra en la primera línea de Machine Learning Research?
- ¿Por qué la biología se está volviendo cada vez más relevante en TI?
