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: