JAX-Privacy：用于差分隐私机器学习的库
机器学习
2026-02-23 v1
摘要
JAX-Privacy 是一个旨在简化差分隐私机器学习部署的库，旨在提供健壮且高性能的机制。该库以可用性、灵活性和效率为设计原则，既满足需要深度定制的研究人员，也满足希望获得更开箱即用体验的实践者。该库提供经过验证的、模块化的关键组件原语，用于机制设计中的所有方面，包括批量选择、梯度裁剪、噪声添加、计费和审计，并将大量关于差分隐私机器学习的最新研究整合在一起。
引用
@article{arxiv.2602.17861,
title = {JAX-Privacy: A library for differentially private machine learning},
author = {Ryan McKenna and Galen Andrew and Borja Balle and Vadym Doroshenko and Arun Ganesh and Weiwei Kong and Alex Kurakin and Brendan McMahan and Mikhail Pravilov},
journal= {arXiv preprint arXiv:2602.17861},
year = {2026}
}