Diffprivlib：IBM 差分隐私库
密码学与安全
2019-07-05 v1 机器学习
摘要
自2006年提出以来，差分隐私凭借其稳健的数学保证、广泛的适用性和丰富的文献积累，已成为数据隐私领域的事实标准。多年来，研究人员不断研究差分隐私及其在日益广泛的主题中的适用性。针对各种数据类型和场景，已提出多种机制来优化实现差分隐私的过程。然而，在此工作之前，所有关于差分隐私的先前研究都是以临时方式进行的，缺乏一个统一代码库来实现相关成果。在本工作中，我们提出 IBM 差分隐私库，这是一个用 Python 编程语言进行差分隐私应用研究、实验和开发的通用开源库。该库包含大量作为差分隐私构建模块的机制，以及若干面向机器学习和其他数据分析任务的应用。在开发该库时优先考虑了简洁性和可访问性，使其适用于广泛的用户群体，从首次研究数据隐私的用户，到希望贡献自己模型和机制供他人使用的隐私专家。
引用
@article{arxiv.1907.02444,
title = {Diffprivlib: The IBM Differential Privacy Library},
author = {Naoise Holohan and Stefano Braghin and Pól Mac Aonghusa and Killian Levacher},
journal= {arXiv preprint arXiv:1907.02444},
year = {2019}
}