Vergleich von Differential-Privacy-Bibliotheken

(research.kudelskisecurity.com)

5 Punkte von xguru 2020-03-17 | 1 Kommentare | Auf WhatsApp teilen

Das Ziel von „Differential Privacy“ (DP) ist es, eine Methode bereitzustellen, um das Gleichgewicht zwischen Privatsphäre und Datengenauigkeit zu wahren
DP-Bibliotheken fügen dem Datensatz mit dem Wert ε (Epsilon) zufälliges Rauschen hinzu
Vergleich von drei Varianten

IBM/differential-privacy-library (Python)

google/differential-privacy (C++)

brubinstein/diffpriv (R)

Abgesehen davon, dass Google bei einem sehr kleinen ε-Wert einen Fehlerwert anzeigt, liefern Google und IBM stabile Ergebnisse. Bei diffpriv treten jedoch je nach ε-Wert Abweichungen auf, daher ist Vorsicht geboten.

1 Kommentare

xguru 2020-03-17

Die Erklärung zu Differential Privacy in der Ausgabe 395 von Microsoftware ist leicht verständlich.