เปรียบเทียบไลบรารี Differential Privacy

• จุดประสงค์ของ "Differential Privacy" (DP) คือการมอบวิธีในการรักษาสมดุลระหว่าง Privacy และ Data Accuracy

• ไลบรารี DP จะใส่ random noise ลงในชุดข้อมูลด้วยค่า ε (epsilon)

• การเปรียบเทียบ 3 รายการ

IBM/differential-privacy-library (Python)

google/differential-privacy (C++)

brubinstein/diffpriv (R)

• นอกจากกรณีของ Google ที่แสดงค่าความผิดพลาดเมื่อใช้ค่า ε ที่เล็กมากแล้ว Google และ IBM ให้ผลลัพธ์ที่เสถียร แต่ diffpriv มีความแปรปรวนตามค่า ε จึงควรระมัดระวัง

[xguru]

คำอธิบายเกี่ยวกับ Differential Privacy ใน Microsoft Wear ฉบับที่ 395 อธิบายไว้เข้าใจง่าย

https://books.google.co.kr/books/…