DifferentialPrivacy是一个差异隐私库。该项目包含了 ε-差异隐私算法的C++库，可用于生成包含私有或敏感信息的数字数据集的聚合统计信息。此外还提供了一个随机测试器来检查算法的正确性。
差异-隐私数据分析是一种原则性方法，它使组织能够从大多数数据中学习，同时确保这些结果不允许被区分或重新识别任何个人的数据。一方面是获得数据中的价值，另一方面是保证强大的数据安全性。而所谓的差异化，举个例子，如果你是一名健康研究员，可能希望比较患者在不同医院入院的平均时间，这样可以确定是否存在护理差异。
此开源版本目前提供了以下主要特性：
统计功能：此版本支持最常见的数据科学操作。开发人员可以使用该库计算总和、平均值、中位数和百分位数等。严格的测试：除了广泛的测试套件，还包括一个可扩展的“随机差异隐私模型检查器库”，以帮助避免错误。模块化：以库的形式存在，可以扩展到其它功能，如附加机制、聚合功能或隐私预算管理。
评论