Comparación de bibliotecas de privacidad diferencial

• El propósito de la "privacidad diferencial" (DP) es ofrecer una forma de mantener el equilibrio entre la privacidad y la precisión de los datos

• Las bibliotecas de DP agregan ruido aleatorio al conjunto de datos mediante el valor ε (épsilon)

• Comparación de 3 opciones

IBM/differential-privacy-library (Python)

google/differential-privacy (C++)

brubinstein/diffpriv (R)

• Salvo que Google muestra valores de error cuando se usa un valor de ε extremadamente pequeño, tanto Google como IBM muestran resultados estables, pero diffpriv presenta variaciones según el valor de ε, así que hay que tener cuidado

[xguru]

La explicación de Differential Privacy en la edición 395 de Microsoftware es fácil de entender.

https://books.google.co.kr/books/…