Comparaison des bibliothèques de differential privacy

• L’objectif de la « differential privacy » (DP) est de fournir une méthode permettant de maintenir un équilibre entre la confidentialité et la précision des données

• Les bibliothèques de DP ajoutent un bruit aléatoire au jeu de données à l’aide de la valeur ε (epsilon)

• Comparaison de 3 solutions

IBM/differential-privacy-library (Python)

google/differential-privacy (C++)

brubinstein/diffpriv (R)

• À l’exception de Google, qui affiche des valeurs d’erreur avec une valeur ε très faible, Google et IBM montrent des résultats stables, mais diffpriv présente des écarts selon la valeur de ε, donc il faut être prudent

[xguru]

L’explication de la Differential Privacy dans le numéro 395 de Microsoftware est facile à comprendre.

https://books.google.co.kr/books/…