IBM/differential-privacy-library

解決する課題

学習データセット内の個人のプライバシーを保護しながら、機械学習やデータ分析を行う方法を提供します。開発者は差分プライバシー (DP) を試用し、プライバシー制約の追加がモデルの精度にどのような影響を与えるかを理解することができます。

仕組み

このライブラリは、計算に制御されたランダム性を加えることで差分プライバシーを実装しています。機械学習モデル内で使用される「メカニズム」（DP の中核となる構成要素）のセットを提供します。scikit-learn API と密接に統合されており、epsilon と呼ばれるプライバシー予算パラメータを指定することで、標準的な分類器を差分プライバシー対応バージョン（GaussianNB など）に置き換えることができます。

対象ユーザー

差分プライバシーを学習中の科学者やエンジニア、新しい DP アルゴリズムをプロトタイプ開発する研究者、そしてデータプライバシーとモデル性能のトレードオフを模索している開発者向けに設計されています。

主な特徴

• Scikit-learn 互換性: モデルは標準的な sklearn 分類器と同様に動作するため、既存のワークフローに簡単に統合できます。
• 包括的なモデルスイート: 分類、回帰、クラスタリング、次元削減、前処理のための DP バージョンのツールが含まれています。
• プライバシー予算の追跡: 高度な合成技術を使用して総プライバシー損失を追跡する BudgetAccountant を備えています。
• データ分析ツール: 差分プライバシーヒストグラムなど、プライベートなデータ分析のための汎用ツールを提供します。