IBM/differential-privacy-library

解决的问题

它提供了一种在保护训练数据集中个人隐私的同时，进行机器学习和数据分析的方法。它让开发者能够实验差分隐私 (DP)，并了解加入隐私限制如何影响模型的准确性。

运作原理

该库通过在计算中添加受控的随机性来实现差分隐私。它提供了一组“机制”（DP 的核心构建块），这些机制被用于其机器学习模型中。它与 scikit-learn API 紧密集成，允许用户通过指定名为 epsilon 的隐私预算参数，将标准分类器替换为差分隐私版本（例如 GaussianNB）。

目标对象

它专为学习差分隐私的科学家与工程师、原型设计新 DP 算法的研究人员，以及探索数据隐私与模型性能之间权衡的开发者所设计。

特色亮点

• Scikit-learn 兼容性：模型运行方式与标准 sklearn 分类器相同，易于集成至现有的工作流程中。
• 全面的模型套件：包含用于分类、回归、聚类、降维和预处理工具的 DP 版本。
• 隐私预算追踪：包含一个 BudgetAccountant，使用高级组合技术来追踪总隐私损失。
• 数据分析工具：提供用于私密数据分析的通用工具，例如差分隐私直方图。