Загрузка PyDP - Загрузка исходного кода PyDP

PyDP

С/С++

1.1.4

Скачать

ПиДП

В современном мире, управляемом данными, все больше и больше исследователей и специалистов по обработке данных используют машинное обучение для создания лучших моделей или более инновационных решений для лучшего будущего.

Эти модели часто имеют тенденцию обрабатывать конфиденциальные или личные данные, что может вызвать проблемы с конфиденциальностью. Например, некоторые модели ИИ могут запоминать подробности о данных, на которых они обучались, и потенциально могут впоследствии раскрыть эти сведения.

Чтобы помочь измерить утечку конфиденциальных данных и снизить вероятность ее возникновения, существует математическая основа, называемая дифференциальной конфиденциальностью.

В 2020 году OpenMined создала оболочку Python для проекта Google Differential Privacy под названием PyDP. Библиотека предоставляет набор ε-дифференциально частных алгоритмов, которые можно использовать для создания совокупной статистики по наборам числовых данных, содержащих частную или конфиденциальную информацию. Таким образом, с помощью PyDP вы можете контролировать гарантию конфиденциальности и точность вашей модели, написанной на Python.

Что следует помнить о PyDP:

Имеет дифференциально частные алгоритмы, включая: BoundedMean, BoundedSum, Max, Count Over, Percentile, Min, Median и т. д.
- Все упомянутые выше методы вычислений используют только шум Лапласа (скоро будут добавлены другие механизмы шума! ?)
Совместим со всеми тремя типами операционных систем — Linux, macOS и Windows?
Используйте Python 3.x.

Установка

Чтобы установить PyDP, используйте менеджер пакетов PyPI:

pip install python-dp

(Если у вас есть pip3 отдельно для Python 3.x, используйте pip3 install python-dp .)

Примеры

Чтобы узнать больше о библиотеке PyDP, обратитесь к тщательно подобранному списку руководств и примерам кода.

Вы также можете начать с введения в PyDP (блокнот Jupyter) и демонстрации моркови (файл Python).

Пример: вычислить ограниченное среднее

 # 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 )

Учебные ресурсы

Перейдите к ресурсам, чтобы узнать больше о дифференциальной конфиденциальности.

Модель атаки

Пожалуйста, обратитесь к модели атаки базовой библиотеки дифференциальной конфиденциальности Google, чтобы узнать больше о наших предположениях и требованиях для безопасного использования PyDP.

Поддержка и сообщество в Slack

Если у вас есть вопросы о библиотеке PyDP, присоединяйтесь к Slack OpenMined и проверьте канал #lib_pydp . Чтобы следить за изменениями исходного кода, присоединяйтесь к #code_dp_python .