上个月，网络和信息技术研究与开发 (NITRD) 计划在华盛顿特区纪念其成立 30 周年您可以阅读完整的活动回顾 此处. 为了突出联邦投资对计算研究界的影响，该活动设有五个小组，参与者讨论了过去十年在该领域取得的主要成就以及未来的发展方向。 每个小组都专注于计算机研究的一个重要子领域：大规模计算、网络和安全、人工智能/机器学习、隐私和物联网以及社会责任计算。
隐私已经成为一个巨大的话题，不仅在计算研究界，而且在学术界和工业界的所有学科中。 由于大规模数据集的可用性而产生的不利隐私影响正乘以 互连的传感器、设备和执行器 构成物联网 (IoT)。 主持人 Charles (“Chuck”) Romine (NIST) 和现场专家 Ed Felten (普林斯顿)、Marc Groman (Groman Consulting)、Katerina Megas (NIST) 和 Sunoo Park (康奈尔)， 小组 4：隐私和物联网讨论了重要主题，例如数据使用和隐私之间的权衡以及潜在的研究目标，以帮助实现有效的政策解决方案。
Romine 首先强调了所有小组讨论的共同点：“谈到通过联邦资金投资带来的好处和非凡的能力，以及相关的风险。” 物联网也不例外，它使人们能够访问难以逾越的信息，使成功的广告活动和量身定制的技术符合您的个人品味，但它也危及用户隐私。
正如 Megas 指出的那样，“我们开展这项工作的全部原因是因为我们希望能够真正看到物联网得到认可，并让社会从中受益。” 她接着分享了在物联网中共享数据的潜在好处和重要性。 物联网中有一个“惊人”的设备规模，可用于识别数据集中的问题、学习对个人和社会具有高影响潜力的事物、培训人工智能技术，并使小型创新公司能够测试他们的设备。 Romine 询问小组成员在物联网和信息共享的背景下，相关的隐私风险实际上是什么。
Groman 首先解释了隐私和物联网之间的相互作用。 物联网的隐私方面是正在收集的更大数据集中的一个子集，即关于人或与人有关的数据。 人们是否知道正在收集有关他们的数据？ 是否有一个界面可以让您与设备进行交互，了解它正在收集什么或更改它？ 人们是否了解正在收集哪些信息，或者设备或公司正在从收集的数据中做出哪些推论？ 由于货币激励结构和公司从这些数据中获利的“大量”资金，格罗曼敦促人们转向政策寻求解决方案。
“这里的目标是最大化利益和最小化伤害。 我们在这个国家没有产生激励措施的政策、法律或监管框架”——马克·格罗曼
Romine 反驳 Groman 的立场，向小组询问了技术解决方案的潜力。
Felten 建议我们首先寻求更好地理解和应用统计信息控制，并构建允许人们与其数据交互并减轻负面影响的工具。 Park 对密码隐私工具特别感兴趣，他列举了密码学在这方面可以提供帮助的多种方式。
“密码学提供了一个工具包来构建具有信息流配置的系统，并包括对访问的更细粒度的控制”。 – 苏努公园
其中一种工具可能是零知识证明，它允许部分共享数据，同时对实体的其他方面保密。 她举了一个保镖检查身份证进入酒吧的例子——通过零知识证明，你可以证明你是 21 岁，而无需分享身份证上也列出的你的地址或生日。
Park 警告说，虽然密码学提供了“我们可以用来建立隐私的更大的解决方案空间”，但它并没有回答我们应该使用这些工具构建什么样的东西，或者我们认为适合或希望共享哪些形式的信息的问题。 这是我们作为一个社会和政策问题必须解决的问题。
最后，小组成员被问到为什么人们应该关心。 如果他们没有什么可隐瞒的呢？ 费尔滕赢得了人群的笑声，开玩笑说每个人都有隐藏的东西。 在更严肃的说明中，他继续强调数据分析的潜在危害。
“人们正在建立一个关于你是谁以及你可能做什么的综合模型。” ——埃德·费尔滕
这些假设已经是一个可怕的想法，但这些假设可能是错误的，有时会限制未来的机会和“行动自由”。 Groman 指出了小组讨论中的另一个共同点——意识到一些社区受到了不成比例的影响的重要性。 无论是性取向、性别、种族还是受虐待的妇女或儿童，将某些数据保密的风险可能更高。
在问答环节，第三小组的前发言人本·佐恩（Ben Zorn）回到了使用数据来训练人工智能的好处。 他询问如何处理通过用于训练 AI 的数据集泄露的私人信息。
Felten 指出，除非您使用严格的方法来故意阻止信息的滴漏，否则信息将会流动。 这就是为什么专注于构建严格且可证明的方法如此重要的原因，例如保护隐私的机器学习和接口以控制涓滴效应。
Megas 完美地总结了这一点，最终我们无法培训每个人，但我们可以为人们提供一个框架，让他们能够思考风险，并为他们提供工具，让他们更好地控制自己的数据。 您可以在 CCC 网页 或 NITRD 的 YouTube 频道.
请留意该系列的最后一篇博客，小组 5：技术如何造福社会：拓宽基础研究的视角。
