google/differential-privacy

解決する課題

このプロジェクトは、データセットに対して差分プライバシー（DP）統計を生成するためのツールを提供し、データセット内の個々のレコードのプライバシーを保護しながら、意味のある集計データを抽出することを可能にします。

仕組み

このプロジェクトは、差分プライバシーに対して階層的なアプローチを提供します：

• DP Building Block Libraries: C++、Go、Javaで実装された低レベルライブラリで、コアとなるノイズ追加プリミティブ（LaplaceメカニズムやGaussianメカニズムなど）および基本的な集計（Sum、Mean、Varianceなど）を実装しています。
• End-to-End Frameworks: Privacy on Beam (Go) や PipelineDP4j (JVM) のような高レベルフレームワークで、これらのビルディングブロックを分散データ処理パイプライン（Apache Beam または Apache Spark を使用）に統合し、ユーザーの寄与度の制限（bounding）などの必要な前処理を処理します。
• Specialized Tools: プライバシー予算の追跡（accounting library）、プライバシー保証の監査（DP Auditorium）、および ZetaSQL を介した DP SQL クエリの実行のための追加ユーティリティ。

対象者

高レベルフレームワークを使用する非専門家から、低レベルのノイズプリミティブを必要とする開発者まで、大規模な機密データに対して統計分析を実行する必要があるデータエンジニアや研究者向けに設計されています。

ハイライト

• マルチ言語サポート: C++、Go、Java でコアとなるビルディングブロックが利用可能です。
• 分散処理: スケーラブルな DP 計算のために Apache Beam および Apache Spark と統合されています。
• 包括的なツールセット: 監査、アカウンティング、および SQL インターフェースが含まれています。
• 安全なノイズ生成: 特定のタイプのプライバシー漏洩を防ぐために、ノイズ生成に安全な手法を使用しています。