用于Google差异隐私库的Python API
python-dp的Python项目详细描述
PyDP简介
在当今数据驱动的世界，越来越多的研究人员和数据 科学家使用机器学习来创建更好的模型或更具创新性 更好未来的解决方案。在
这些模型通常倾向于处理敏感或个人数据 会导致隐私问题。例如，一些人工智能模型可以记住他们训练过的数据的细节，并且有可能泄露这些信息 稍后详细说明。在
帮助测量敏感数据泄漏并减少 在这种情况下，有一个叫做微分的数学框架 隐私。在
在2020年，OpenMined为Google的Differential Privacy项目创建了一个Python包装器 叫PyDP。该库提供了一组ε-微分私有算法， 它可用于对包含 私人或敏感信息。因此，使用PyDP可以控制 用Python编写的模型的隐私保证和准确性。在
关于PyDP要记住的事项：
- ·rocket：具有不同的私有算法，包括：BoundedMean、BoundedSum、Max、Count Above、Percentile、Min、Median等
- All the computation methods mentioned above use Laplace noise only (other noise mechanisms will be added soon! :smiley:).
- *fire：目前支持Linux和macOS（Windows支持即将推出：smiley:）
- ●星：使用Python 3.x
示例
请参阅教程和示例代码的curated list，以了解有关PyDP库的更多信息。在
您还可以从an introduction to PyDP（Jupyter笔记本）和the carrots demo（Python文件）开始。在
示例：计算有界平均值
^{pr2}$学习资源
请转到resources了解有关差异隐私的更多信息。在
支持和社区松弛
如果您对PyDP库有疑问，请加入OpenMined’s Slack，并检查#lib_PyDP通道。要跟踪代码源代码的更改，请连接#code_dp_python。在
贡献
要对PyDP项目有所贡献，请阅读guidelines。在
欢迎拉取请求。如果你想引入重大变革， 请先打开一个问题，讨论您希望更改的内容。在
请确保根据需要更新测试。在
<!– ## Contributors –>
- 项目
标签：
欢迎加入QQ群-->： 979659372
