Investigadores del GATV participan en una nueva publicación científica vinculada al proyecto Synthema
Investigadores del Grupo de Aplicación de Telecomunicaciones Visuales (GATV) de la Universidad Politécnica de Madrid han participado en una nueva publicación científica en el marco del proyecto Synthema, centrada en el análisis avanzado de privacidad en entornos de aprendizaje automático distribuido.
El trabajo ha contado con la participación de Borja Arroyo Galende, junto con Silvia Alba Uribe Mayoral y Federico Álvarez, contribuyendo a las actividades de investigación y difusión científica desarrolladas dentro del proyecto.
La publicación, titulada The Geometry of Privacy: A Two-Stage Analysis of Generative Membership Inference in Federated Learning, aborda el problema de la privacidad en Federated Learning desde una perspectiva estructural. En lugar de tratar la inferencia de membresía como un fenómeno único, el trabajo introduce una descomposición en dos etapas: por un lado, la “supervivencia” de la señal del cliente tras la agregación y el ruido del sistema (Signal Survival), y por otro, la atribución de esa señal a datos privados mediante modelos generativos de Membership Inference Attack (Signal Attribution).
Este enfoque permite caracterizar el riesgo de privacidad en función de la geometría de las contribuciones de los clientes, mostrando que la detectabilidad depende críticamente de la alineación entre actualizaciones locales y el comportamiento del agregado global. Asimismo, la etapa de atribución establece límites teóricos basados en propiedades de suavidad y representaciones locales, evitando dependencias de arquitecturas específicas.
La publicación representa un avance relevante en las líneas de investigación del grupo, reforzando la participación del GATV en iniciativas internacionales centradas en privacidad, inteligencia artificial distribuida y modelos generativos aplicados a escenarios reales.
Este tipo de contribuciones consolidan la transferencia de resultados de investigación hacia la comunidad científica y tecnológica, favoreciendo la colaboración entre instituciones y el desarrollo de metodologías más robustas para la evaluación de riesgos de privacidad en sistemas de aprendizaje federado.
El artículo completo puede consultarse en el siguiente enlace: MDPI Publication
