PyDP 다운로드 - PyDP 소스 코드 다운로드

PyDP

C/C++

1.1.4

다운로드

PyDP

오늘날의 데이터 중심 세계에서는 점점 더 많은 연구자와 데이터 과학자가 기계 학습을 사용하여 더 나은 미래를 위한 더 나은 모델이나 더 혁신적인 솔루션을 만들고 있습니다.

이러한 모델은 민감한 데이터나 개인 데이터를 처리하는 경향이 있어 개인 정보 보호 문제를 일으킬 수 있습니다. 예를 들어 일부 AI 모델은 훈련된 데이터에 대한 세부 정보를 기억할 수 있으며 나중에 이러한 세부 정보가 유출될 가능성이 있습니다.

민감한 데이터 유출을 측정하고 유출 가능성을 줄이기 위해 차등 개인 정보 보호라는 수학적 프레임워크가 있습니다.

2020년에 OpenMined는 PyDP라는 Google의 차등 개인 정보 보호 프로젝트를 위한 Python 래퍼를 만들었습니다. 라이브러리는 개인 정보 또는 민감한 정보가 포함된 숫자 데이터 세트에 대한 집계 통계를 생성하는 데 사용할 수 있는 ε-차등 개인 알고리즘 세트를 제공합니다. 따라서 PyDP를 사용하면 Python으로 작성된 모델의 개인 정보 보호 보장과 정확성을 제어할 수 있습니다.

PyDP에 대해 기억해야 할 사항:

BoundedMean, BoundedSum, Max, Count Above, Percentile, Min, Median 등을 포함한 차등 비공개 알고리즘을 제공합니다.
- 위에서 언급한 모든 계산 방법은 Laplace 노이즈만 사용합니다. (다른 노이즈 메커니즘도 곧 추가될 예정입니다! ?)
세 가지 유형의 운영 체제(Linux, macOS, Windows)와 모두 호환됩니다.
파이썬 3.x를 사용하세요.

설치

PyDP를 설치하려면 PyPI 패키지 관리자를 사용하세요.

pip install python-dp

(Python 3.x용 pip3 별도로 있는 경우 pip3 install python-dp 사용하세요.)

예

PyDP 라이브러리에 대해 자세히 알아보려면 선별된 튜토리얼 목록과 샘플 코드를 참조하세요.

PyDP(Jupyter 노트북) 소개와 당근 데모(Python 파일)로 시작할 수도 있습니다.

예: 경계 평균 계산

 # Import PyDP
import pydp as dp
# Import the Bounded Mean algorithm
from pydp . algorithms . laplacian import BoundedMean

# Calculate the Bounded Mean
# Basic Structure: `BoundedMean(epsilon: float, lower_bound: Union[int, float, None], upper_bound: Union[int, float, None])`
# `epsilon`: a Double, between 0 and 1, denoting the privacy threshold,
#            measures the acceptable loss of privacy (with 0 meaning no loss is acceptable)
x = BoundedMean ( epsilon = 0.6 , lower_bound = 1 , upper_bound = 10 )

# If the lower and upper bounds are not specified,
# PyDP automatically calculates these bounds
# x = BoundedMean(epsilon: float)
x = BoundedMean ( 0.6 )

# Calculate the result
# Currently supported data types are integers and floats
# Future versions will support additional data types
# (Refer to https://github.com/OpenMined/PyDP/blob/dev/examples/carrots.py)
x . quick_result ( input_data : list )