Note ABES Privacy-Preserving Computations on Sparse Data Calculs respectueux de la vie privée sur données éparses Vie privée Calcul multipartite sécurisé Données éparses Cryptographie Privacy Multiparty Computation Data sparsity Cryptography Protection de l'information (informatique) Droit à la vie privée Cryptographie Matrices éparses Données massives Les fuites de données et atteintes à la vie privée soulèvent des inquiétudes croissantes relatives à la protection des informations personnelles. Pour répondre à ces préoccupations, des protocoles cryptographiques appelés calculs multipartites, ou en anglais, Multi-Party Computations (MPC) ont été développés afin de permettre à plusieurs entités d'effectuer conjointement des calculs sur leurs données privées sans les révéler. Ces protocoles ont trouvé des applications notamment dans la lutte contre la fraude fiscale, la santé et l'apprentissage automatique. Cependant, les protocoles MPC existants demeurent insuffisants pour de nombreux scénarios réalistes, en particulier lorsqu'il s'agit de traiter des données de grande dimension ou présentant une structure particulière.Cette thèse se concentre sur les données éparses -- des jeux de données contenant majoritairement des valeurs nulles, qui apparaissent naturellement dans des applications telles que les systèmes de recommandation ou la santé. Alors que les algorithmes pour traiter les données éparses en clair sont bien établis, très peu de protocoles cryptographiques sont optimisés pour ce cadre, ce qui limite l'utilisation de MPC dans les domaines où les données éparses sont la norme.Les contributions centrales de cette thèse introduisent de nouveaux protocoles cryptographiques adaptés à ces données. Nous proposons des protocoles pour la multiplication sécurisée de données éparses, permettant des gains de performance qui rendent possibles des applications jusque-là irréalisables. Nous concevons également de nouveaux algorithmes de Function Secret Sharing (FSS) capables d'effectuer d'agréger des données éparses.Au-delà de ces protocoles, la thèse apporte plusieurs contributions transversales qui interrogent des hypothèses fondamentales et des aspects pratiques des technologies de protection de la vie privée. Nous étudions le rôle des fuites d'information dans les calculs sur données éparses en analysant les fuites dans le chiffrement cherchable, en proposant de nouvelles attaques et en apportant un point de vue statistique sur leurs risques. Nous présentons Fedivertex, un nouveau jeu de données de graphes basé sur les réseaux sociaux décentralisés, conçu pour l'évaluation de l'apprentissage automatique décentralisé. Enfin, nous évaluons la consommation énergétique de plusieurs technologies de protection de la vie privée.Prises dans leur ensemble, ces contributions font progresser la conception de protocoles cryptographiques optimisés pour les données éparses et offrent une perspective plus large sur les défis liés au déploiement pratique des calculs préservant la confidentialité. Data breaches and privacy violations have raised global concerns about the protection of personal information. To address these concerns, cryptographic protocols known as Multi-Party Computations (MPC) have been developed to enable multiple parties to jointly compute on their private inputs without revealing them. These protocols have found applications notably in tax fraud detection, healthcare, and machine learning. However, existing MPC protocols remain insufficient for many real-world scenarios, particularly when dealing with high-dimensional or structured data.This thesis focuses on sparse data -- datasets containing mostly zero values, which naturally arise in applications such as recommender systems and healthcare. While plaintext algorithms for sparse data are well established, few cryptographic protocols are optimized for this setting, limiting the practicality of MPC in domains where sparsity is the norm.The core contributions of this thesis introduce new cryptographic protocols tailored to sparse computations.We propose MPC protocols for secure sparse matrix multiplication, enabling performance gains that make previously impractical applications feasible. We also design new Function Secret Sharing (FSS) schemes able to efficiently efficient aggregate sparse data.Beyond these protocols, the thesis makes several orthogonal contributions that question key assumptions and practical aspects of privacy-preserving technologies. We study the role of leakage in sparse computations by analyzing access-pattern leakage in searchable encryption, providing new attacks and statistical insights into its risks. We present Fedivertex, a new graph dataset based on decentralized social media, to benchmark decentralized machine learning. Finally, we evaluate the energy consumption of several privacy-enhancing technologies.Taken together, these contributions both advance the design of cryptographic protocols for sparse data and provide a broader perspective on the challenges of deploying privacy-preserving computations in practice. Electronic Thesis or Dissertation Text en PDF 13304244 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2025/2025ULILB042.pdf https://theses.fr/2025ULILB042/abes https://theses.hal.science/tel-05436190 https://theses.hal.science/tel-05436190 https://theses.hal.science/tel-05436190 Damie Marc Damie 1998-11-10 FR 296407798 https://theses.fr/2025ULILB042 2025ULILB042 https://doi.org/10.70675/a1c361e2z8636z4af6zbc54z053b6ada8a27 2025-12-11 Informatique et applications Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Ramon Jan MADS_DIRECTEUR_DE_THESE_1 176311939 Peter Andreas MADS_DIRECTEUR_DE_THESE_2 296407178 Hahn Florian MADS_DIRECTEUR_DE_THESE_3 296407569 Rouvoy Romain MADS_PRESIDENT_DU_JURY 111762146 Kohl Lisa MADS_MEMBRE_DU_JURY_1 278651380 Veugen Thijs MADS_MEMBRE_DU_JURY_2 296406651 Couteau Geoffroy MADS_RAPPORTEUR_1 228914434 Mitrokotsa Katerina MADS_RAPPORTEUR_2 252863097 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre Inria de l'Université de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 104752 185432247 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_2 410272 18388695X Agence nationale de la recherche (France ; 2005-....) MADS_PARTENAIRE_DE_RECHERCHE_3 121892174 Universiteit Twente (Enschede, Nederland) MADS_PARTENAIRE_DE_RECHERCHE_4 104456841 ddc:004 Ramon Jan Peter Andreas Hahn Florian Rouvoy Romain Kohl Lisa Veugen Thijs Couteau Geoffroy Mitrokotsa Katerina École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre Inria de l'Université de Lille Centre de Recherche en Informatique, Signal et Automatique de Lille Agence nationale de la recherche (France ; 2005-....) Universiteit Twente (Enschede, Nederland) PDF 13304244