menisadi/awesome-differential-privacy

해결하는 문제

차등 프라이버시는 데이터셋에 대한 통계적 통찰을 공유하면서도 그 안의 개인에 대해 학습할 수 있는 것을 증명 가능하게 제한하는 수학적 프레임워크입니다. 이 목록은 시작한 지 얼마 안 된 사람부터 프로덕션 시스템에서 작업 중인 사람까지, 차등 프라이버시를 적용하기 위한 신뢰할 수 있는 오픈소스 도구와 학습 자료를 찾는 데 도움을 줍니다.

작동 방식

이것은 GitHub에서 손수 고른 링크 모음인 "awesome list"입니다. 다섯 개의 섹션으로 구성됩니다: 코드 및 프로젝트(라이브러리와 프레임워크), 학습(강좌, 교과서, 블로그 튜토리얼), 읽기(기사와 입문서), 업계 기사(Apple, Google, Microsoft 같은 회사의 실제 사용 사례), YouTube(비디오 강의와 설명). 각 항목은 실제 리소스로 연결되므로 방문자는 필요한 도구나 읽을거리로 바로 이동할 수 있습니다.

대상 독자

차등 프라이버시를 이해하거나 배포하려는 개발자, 데이터 과학자, 연구자, 프라이버시에 민감한 조직. 초보자는 친절한 소개와 강좌를 찾을 수 있고, 실무자는 OpenDP, Opacus, TensorFlow Privacy 같은 프로덕션급 라이브러리 중에서 선택할 수 있습니다.

주요 내용

• 엄선된 코드 라이브러리: OpenDP, Google의 차등 프라이버시 라이브러리, Opacus, TensorFlow Privacy, Diffprivlib 등
• 학습 리소스: 기초 교과서 "차등 프라이버시의 알고리즘 기초", 비디오 강좌, 비기술적 블로그 시리즈
• 업계 기사: Apple, Google, Microsoft가 실제로 차등 프라이버시를 사용하는 방법
• YouTube 강연 섹션(미국 인구조사국과의 협업 포함)