• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
Data Science, machine-learning, Privacy Preserving

PyDP: Python Differential Privacy | Italiano

PyDP: Python Differential Privacy | Italiano

PyDP (Python Differential Privacy) è una libreria open source per Privacy Preserving AI e Data Science, sviluppata dalla community di OpenMined.

Ammettiamolo: tu e io siamo persone pragmatiche.

Bella la teoria, il lieto studio, e le preziose definizioni da condividere con amici sorseggiando un Negroni a Monte Carlo.

Per inciso, non ci sono mai stato a Monte Carlo, ma l’obiettivo è chiaro.

Le parole da sole non bastano e per realizzare un prodotto abbiamo bisogno di nozioni operative.

Sappiamo bene cosa sia la Differential Privacy: ora è arrivato il momento di passare all’azione, mettendo in pratica i concetti appresi.

Procediamo.

PyDP: Python Differential Privacy

Oggi, in un approccio data-driven, data scientist e ricercatori sfruttano il machine learning per creare modelli e soluzioni innovative.

Prestiamo attenzione a una cosa.

Algoritmi sofisticati e potenza di calcolo facilmente disponibile hanno orientato il focus ai dati, la cui qualità incide direttamente sull’efficacia del modello in termini di accuratezza predittiva.

Esiste però un problema.

Questi modelli spesso si basano su dati sensibili o privati, di norma tutelati dalla legge, rendendone complessa la realizzazione e aumentando il rischio di privacy leakage.

La soluzione concreta si chiama PyDP (Python Differential Privacy).

Vediamo come possa aiutarci a compiere la nostra missione.

Specifiche

La libreria contiene un insieme di algoritmi definiti ε-differentially private algorithms, dove il parametro positivo ε (epsilon) esprime il compromesso tra privacy e utilità (i.e. Accuratezza), argomento trattato in questo post e che potresti aver perso.

Semplicemente, con un alto valore di ε preserviamo l’accuratezza a discapito della privacy, e otteniamo un esito contrario per valori bassi di ε.

Realizzata wrappando (ossia avvolgendo, concedimi l’inglesismo) la libreria di Differential Pivacy realizzata da Google, Python Differential Privacy presenta, al momento, le seguenti caratteristiche salienti:

  • Algoritmi supportati: BoundedMean, BoundedSum, Max, Count, Above, Percentile, Min, Median, etc. Per il momento questi algoritmi fanno uso del solo Laplace noise, anche se presto saranno aggiunte altre tipologie di rumore.
  • Supporto a Linux e macOS (Windows in arrivo)
  • Python 3.x

Qualora fossi in cerca di maggiori dettagli, e in attesa di qualche applicazione pratica, ti esorto a consultare la libreria Python Differential Privacy direttamente su GitHub.

Per il momento è tutto.

Per aspera, ad astra.

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Settembre 1, 2020
Tags | differential privacy, github, privacy preserving machine learning, python

You Might Also Like

privacy-enhancing-technologies-data-machine-learning-data-science

Perché il Privacy Tech è un vantaggio competitivo micidiale

Giugno 17, 2021
privacy-preserving-data-mining-differential-privacy-guida-machine-learning-italia

Privacy Preserving Data Mining (PPDM)

Maggio 29, 2020
primi-passi-con-streamlit-guida-machine-learning-deployment-italian

Primi passi con streamlit: Il Machine Learning Deployment rapido!

Giugno 4, 2020
Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • Blockchain Developer

    Circuito aritmetico

    Novembre 1, 2022
  • machine-learning

    Un nuovo inizio

    Settembre 4, 2021
  • Zero Knwoledge Proof Article Privacy Preserving

    Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

    Luglio 8, 2021
  • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

    Oblivious Transfer (OT)

    Luglio 6, 2021
  • Aleo Studio Website Preview machine-learning

    Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

    Luglio 1, 2021
  • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

    Perché il Privacy Tech è un vantaggio competitivo micidiale

    Giugno 17, 2021
  • bloom-filter-spiegazione-italian Privacy Preserving

    Bloom Filter

    Giugno 3, 2021
  • trusted-execution-environment-tee-data-science-come-fuziona Data Science, Privacy Preserving

    Trusted Execution Environment | Cos’è un TEE?

    Giugno 2, 2021
  • Crypto Custody services machine-learning

    Crypto Custody: Guida alla custodia delle criptomonete

    Maggio 26, 2021
  • deep-q-learning-q-learning-reinforcement-learning machine-learning

    Deep Q-Learning

    Aprile 27, 2021

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino