IBM/differential-privacy-library

해결하는 문제

학습 데이터셋 내 개인의 프라이버시를 보호하면서 머신러닝과 데이터 분석을 수행할 수 있는 방법을 제공합니다. 개발자는 차분 프라이버시(DP)를 실험하고 프라이버시 제약 조건 추가가 모델 정확도에 미치는 영향을 파악할 수 있습니다.

작동 원리

이 라이브러리는 계산에 제어된 무작위성을 추가하여 차분 프라이버시를 구현합니다. 머신러닝 모델 내에서 사용되는 '메커니즘'(DP의 핵심 구성 요소) 세트를 제공합니다. scikit-learn API와 긴밀하게 통합되어 있어, epsilon이라는 프라이버시 예산 매개변수를 지정함으로써 표준 분류기를 차분 프라이버시 버전(예: GaussianNB)으로 쉽게 교체할 수 있습니다.

대상 사용자

차분 프라이버시를 학습하는 과학자 및 엔지니어, 새로운 DP 알고리즘을 프로토타이핑하는 연구자, 데이터 프라이버시와 모델 성능 간의 트레이드오프를 탐색하는 개발자를 위해 설계되었습니다.

주요 특징

• Scikit-learn 호환성: 모델이 표준 sklearn 분류기처럼 작동하므로 기존 워크플로우에 쉽게 통합할 수 있습니다.
• 포괄적인 모델 제품군: 분류, 회귀, 클러스터링, 차원 축소 및 전처리를 위한 DP 버전 도구가 포함되어 있습니다.
• 프라이버시 예산 추적: 고급 합성 기술을 사용하여 총 프라이버시 손실을 추적하는 BudgetAccountant를 포함합니다.
• 데이터 분석 도구: 차분 프라이버시 히스토그램과 같이 개인정보를 보호하는 데이터 분석을 위한 범용 도구를 제공합니다.