ดาวน์โหลด PyDP - ดาวน์โหลดซอร์สโค้ด PyDP

PyDP

ซี/ซี++

1.1.4

ดาวน์โหลด

พีดีพี

ในโลกที่ขับเคลื่อนด้วยข้อมูลในปัจจุบัน นักวิจัยและนักวิทยาศาสตร์ข้อมูลจำนวนมากขึ้นเรื่อยๆ ใช้การเรียนรู้ของเครื่องเพื่อสร้างแบบจำลองที่ดีขึ้นหรือโซลูชันที่เป็นนวัตกรรมมากขึ้นเพื่ออนาคตที่ดีกว่า

โมเดลเหล่านี้มักจะจัดการกับข้อมูลที่ละเอียดอ่อนหรือข้อมูลส่วนบุคคล ซึ่งอาจทำให้เกิดปัญหาความเป็นส่วนตัวได้ ตัวอย่างเช่น โมเดล AI บางรุ่นสามารถจดจำรายละเอียดเกี่ยวกับข้อมูลที่ได้รับการฝึกอบรม และอาจรั่วไหลรายละเอียดเหล่านี้ในภายหลัง

เพื่อช่วยวัดการรั่วไหลของข้อมูลที่ละเอียดอ่อนและลดโอกาสที่จะเกิดขึ้น มีกรอบงานทางคณิตศาสตร์ที่เรียกว่าความเป็นส่วนตัวที่แตกต่างกัน

ในปี 2020 OpenMined ได้สร้าง Python Wrapper สำหรับโครงการ Differential Privacy ของ Google ที่เรียกว่า PyDP ไลบรารีจัดเตรียมชุดอัลกอริธึมส่วนตัว ε-ดิฟเฟอเรนเชียล ซึ่งสามารถใช้เพื่อสร้างสถิติรวมเหนือชุดข้อมูลตัวเลขที่มีข้อมูลส่วนตัวหรือข้อมูลที่ละเอียดอ่อน ดังนั้นด้วย PyDP คุณสามารถควบคุมการรับประกันความเป็นส่วนตัวและความแม่นยำของโมเดลของคุณที่เขียนด้วย Python

สิ่งที่ต้องจำเกี่ยวกับ PyDP:

มีอัลกอริธึมส่วนตัวที่แตกต่างกัน ได้แก่ BoundedMean, BoundedSum, Max, Count Above, Percentile, Min, Median ฯลฯ
- วิธีการคำนวณทั้งหมดที่กล่าวมาข้างต้นใช้เสียงรบกวนของ Laplace เท่านั้น (กลไกเสียงรบกวนอื่น ๆ จะถูกเพิ่มในไม่ช้านี้! ?)
เข้ากันได้กับระบบปฏิบัติการทั้งสามประเภท - Linux, macOS และ Windows ?
ใช้ไพธอน 3.x

การติดตั้ง

หากต้องการติดตั้ง PyDP ให้ใช้ตัวจัดการแพ็คเกจ PyPI:

pip install python-dp

(หากคุณมี pip3 แยกต่างหากสำหรับ Python 3.x ให้ใช้ pip3 install python-dp )

ตัวอย่าง

โปรดดูรายการบทช่วยสอนที่รวบรวมไว้และโค้ดตัวอย่างเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับไลบรารี PyDP

คุณสามารถเริ่มต้นด้วยการแนะนำ PyDP (สมุดบันทึก Jupyter) และการสาธิตแครอท (ไฟล์ Python)

ตัวอย่าง: คำนวณค่าเฉลี่ยขอบเขต

 # 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 )

ทรัพยากรการเรียนรู้

ไปที่แหล่งข้อมูลเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับความเป็นส่วนตัวที่แตกต่าง

โมเดลการโจมตี

โปรดดูรูปแบบการโจมตีของ Google Differential Privacy Library ที่ซ่อนอยู่เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับสมมติฐานและข้อกำหนดของเราในการใช้ PyDP อย่างปลอดภัย

การสนับสนุนและชุมชนบน Slack

หากคุณมีคำถามเกี่ยวกับไลบรารี PyDP เข้าร่วม Slack ของ OpenMined และตรวจสอบช่อง #lib_pydp หากต้องการติดตามการเปลี่ยนแปลงแหล่งที่มาของโค้ด ให้เข้าร่วม #code_dp_python