diffprivlib 0.1.1

IBM差异隐私库

您刚刚找到IBM Differential Privacy Library

IBM Differential Privacy Library是一个通用库，用于在Differential Privacy中试验、调查和开发应用程序。

如果您希望使用差异隐私库：

• 体验差异隐私
• 使用基本分类和聚类模型探讨差异隐私对机器学习精度的影响
• 使用我们广泛的机制集合，构建您自己的差异隐私应用程序

diffprivlib兼容：python 3.4–3.7。

入门：ML with differential privacy in 30 seconds

我们正在使用Iris dataset，所以让我们加载它并执行80/20的列车/测试拆分。

fromsklearnimportdatasetsfromsklearn.model_selectionimporttrain_test_splitdataset=datasets.load_iris()X_train,X_test,y_train,y_test=train_test_split(dataset.data,dataset.target,test_size=0.2)

现在，让我们训练一个不同的私有朴素贝叶斯分类器。我们的分类器就像sklearn分类器一样运行，因此您可以快速启动并运行。

diffprivlib.models.GaussianNB可以在不带任何参数的情况下运行，但这会引发警告（我们需要指定bounds参数来避免这种情况）。隐私级别由参数epsilon控制，该参数在初始化时传递给分类器（例如GaussianNB(epsilon=0.1)）。默认值是epsilon = 1.0。

importdiffprivlib.modelsasdpclf=dp.GaussianNB()clf.fit(X_train,y_train)

我们现在可以对看不见的例子进行分类，因为我们知道，经过训练的模型是不同的私有模型，并且保留了训练集中“个人”的隐私（flowers也有权获得他们的隐私！）.

clf.predict(X_test)

每次使用.fit()训练模型时，由于差异隐私的随机性，会产生不同的模型。因此，即使使用相同的训练数据对其进行重新训练，其准确性也会发生变化。你自己试试看！

(clf.predict(X_test)==y_test).sum()/y_test.shape[0]

我们可以很容易地评估模型对各种epsilon值的准确性，并用matplotlib绘制它。

importnumpyasnpimportmatplotlib.pyplotaspltepsilons=np.logspace(-2,2,50)bounds=[(4.3,7.9),(2.0,4.4),(1.1,6.9),(0.1,2.5)]accuracy=list()forepsiloninepsilons:clf=dp.GaussianNB(bounds=bounds,epsilon=epsilon)clf.fit(X_train,y_train)accuracy.append((clf.predict(X_test)==y_test).sum()/y_test.shape[0])plt.semilogx(epsilons,accuracy)plt.title("Differentially private Naive Bayes accuracy")plt.xlabel("epsilon")plt.ylabel("Accuracy")plt.show()

恭喜你，你已经完成了你的第一个差异私人机器学习任务与差异隐私库！查看notebooks目录或dive straight in中的更多示例。

内容

diffprivlib由三个模块组成：

1. 机制：这些是差异隐私的构建块，用于实现差异隐私的所有模型。机制几乎没有或没有默认设置，是为实现自己的模型的专家而设计的。但是，它们可以用于单独调查等外部模型。
2. 模型：此模块包括具有差异隐私的机器学习模型。diffprivlib目前有用于集群和分类的模型。
3. tools:diffprivlib附带了许多用于差异私有数据分析的通用工具。这包括不同的私有直方图，格式与Numpy's histogram function相同。

设置

使用pip

pip install diffprivlib

git clone https://github.com/IBM/differential-privacy-library

pip install .

pytest