RSR: From Cryptography to Complexity to ML Safety | Shafi Goldwasser | ADIA Lab Symposium 2026

RSR: From Cryptography to Complexity to ML Safety | Shafi Goldwasser | ADIA Lab Symposium 2026

RSR : De la cryptographie à la complexité à la sécurité du ML | Shafi Goldwasser | Symposium ADIA Lab 2026

Historique des titres
  • RSR: From Cryptography to Complexity to ML Safety | Shafi Goldwasser | ADIA Lab Symposium 2026 — observé le 20261104-2220 UTC (YouTube)
🎙 Shafi Goldwasser 👥 878 📅 4 novembre 2026 ⏱ 44 min 👁 20 📄 revue de littérature 🧭 2026-11-04
Disponible en : Français (actuel) English

Mots-clés

RSRcryptographiecomplexitémachine learning safetypreuves interactives

Résumé

Shafi Goldwasser, directrice du Simons Institute et lauréate du prix Turing, présente une conférence sur la random self-reducibility (RSR), une technique issue de la cryptographie des années 80 qui pourrait éclairer la sécurité de l’IA. Elle commence par introduire un nouvel institut, RESI, fondé avec Adam Kalai et Vinod Vaikuntanathan, visant à construire une IA sûre par conception. Elle argumente que l’approche actuelle de test et de red teaming est insuffisante et propose de définir des propriétés de sécurité et de les atteindre par construction, comme cela a été fait en cryptographie. Elle illustre le RSR avec l’exemple historique du problème de résiduosité quadratique, où une réduction du pire au moyen cas garantit la sécurité. Elle conclut en suggérant que ce concept pourrait s’appliquer à la vérification et à la délégation de tâches à des IA, en fournissant des preuves vérifiables.

141 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations réside dans la perspective unique d’une pionnière de la cryptographie reliant des concepts théoriques des années 80 à des défis actuels de sécurité de l’IA. L’argumentation est solide : elle s’appuie sur des précédents historiques (cryptographie, aviation) pour justifier la faisabilité d’une sécurité par conception. Elle présente clairement le problème (incapacité à comprendre et contrôler les modèles), les limites des approches actuelles (test, red teaming) et propose un programme de recherche structuré au sein de RESI, incluant des équipes dédiées à la vérification, la délégation, les mécanismes cryptographiques et les limites d’impossibilité. Son exemple du RSR est bien expliqué et démontre comment une idée théorique peut avoir des applications pratiques. La discussion est nuancée et reconnaît les défis.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est élevée : l’exposé s’appuie sur des concepts mathématiques bien établis (réductions, complexité) et des références implicites (travaux de Goldwasser et Micali). Les sources mentionnées sont principalement les travaux antérieurs de l’oratrice et le nouveau projet RESI. Elle n’apporte pas de preuves formelles dans la vidéo, mais renvoie à la littérature. L’adéquation titre/contenu est exacte : le thème annoncé est traité en profondeur, avec un historique du RSR et des applications à la sécurité ML. La qualité des sources est bonne, mais elle repose sur l’autorité de l’oratrice plus que sur des références explicites citées.

235 mots

Adéquation titre / contenu

Le titre correspond exactement au contenu : l'historique du RSR et ses applications en sécurité ML sont traités en profondeur.

Qualité & fiabilité

8/10

Exposé d'une chercheuse de renommée mondiale (prix Turing) sur un concept théorique (RSR) et ses applications. Contenu technique rigoureux, mais repose principalement sur l'expérience et les travaux personnels de l'oratrice, sans présentation détaillée de preuves.

Moments clés

Sources citées

Sources concordantes

Apport & nouveautés

L’apport original est de proposer une approche théorique pour la sécurité de l’IA, inspirée de la cryptographie, et de présenter le concept de random self-reducibility comme un outil potentiel pour garantir des propriétés de sécurité. La nouveauté réside dans l’application de ce concept classique à de nouveaux problèmes de vérification et de délégation dans les systèmes d’IA.

Pour aller plus loin :

97 mots

Profil radar

Le profil radar montre une très haute qualité et fiabilité des informations, avec une quantité d'information importante et un niveau technique élevé. Le niveau de fiabilité globale est excellent, cohérent avec l'expertise de l'oratrice.

Fiabilité 9/10