是一个库，可以使用不同的隐私训练PyTorch模型。 它支持在客户端上进行的代码更改最少的培训，对培训性能的影响很小，并允许客户端在线跟踪在任何给定时刻花费的隐私预算。 目标观众 此代码版本针对两个目标受众： ML从业者会发现这是培训差异性隐私模型的温和介绍，因为它需要最少的代码更改。 差异隐私科学家会发现这很容易尝试和修改，使他们能够专注于重要的事情。 安装 可以通过pip安装最新版本的Opacus： pip install opacus :warning_selector: 注意：这将带来最新版本的部门，它们在Cuda 10.2上。 如果您的环境使用的是较旧的Cuda版本（例如，Google Colab仍在Cuda 10.1上），则此方法将无效。 要在Colab上安装，请首先运行以下单元： pip install torchcsprng==0.1.3+cu101 -f https://download.pytorch.org/whl/torch_stable.html 然后，您可以像以前一样pip install opacus 。 在查看更多上下文。 您还可以直接从

差异性隐私和联合学习。 精选笔记本，介绍如何使用差异隐私和联合学习来训练神经网络。 入门笔记本 在开始学习差异隐私和联合学习之前，了解张量很重要； 神经网络的基本数据结构。 了解张量： 创建简单的神经网络 使用MNIST数据创建密集网络 转移学习 大多数情况下，您不想自己训练整个卷积网络。 对大型图像集（例如ImageNet）进行现代ConvNets培训需要在多个GPU上花费数周的时间。 可以帮助您解决此问题。 什么是差异隐私？ 差异隐私是用于防止模型在学习过程中意外记住训练数据集中存在的秘密的一组技术。 为了使其正常工作，我们需要坚持以下几点： 向数据主体保证：不管有哪些研究，数据集或信息来源，都可以通过将您的数据用于任何分析中而不会受到不利影响或其他影响。 确保从敏感数据中学习的模型仅在学习他们应该学习的知识时，不会无意中学习从他们的数据中学到的知识 以下是一些笔记本，以进一

Bolt-on Differential Privacy for Scalable Stochastic Gradient Descent-based Analytics 文章梳理的ppt

差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4

差异隐私 该存储库包含用于在数据集中生成ε-和（ε，δ）-差分私有统计信息的库。 它包含以下工具。 是建立在之上的端到端差异隐私框架。 它旨在易于使用，即使是非专家也是如此。 三个“ DP构件”库，分别为 ， 和 。 这些库实现基本的噪声添加原语和差分私有聚合。 使用这些库可实现Beam的隐私。 ，用于帮助捕获可能使差异隐私属性不再成立的回归。 ，用于跟踪隐私预算。 一个用于使用运行差异私有SQL查询。 为了开始生成差异化的私有数据，我们建议您遵循的 。 当前，DP构建块库支持以下算法： 算法 C ++ 去 Java 拉普拉斯机制 支持的 支持的 支持的 高斯机制 支持的 支持的 支持的 数数 支持的 支持的 支持的 和 支持的 支持的 支持的 吝啬的 支持的 支持的 支持的 方差 支持的 计划 计划 标准偏差 支持的 计划 计划 分位数 支持的 支持的 支持的 自动边界

差分隐私和机器学习PPT

Deep learning with differential privacy---PPT.pdf

Differential Privacy From Theory to Practice，作者为Ninghui Li Purdue University。总共140页

差分隐私基础 Dwork

Differential Privacy and Applications 差分隐私综述