641666/privelet-differential-privacy

# privelet-differential-privacy Privelet 方法用于差分隐私直方图发布的 Python 实现，使用 Haar 小波变换和 Laplace 噪声来研究隐私与效用之间的权衡。 ## 项目描述 本项目在直方图数据上实现了用于差分隐私的一维 Privelet 算法。 本项目使用的数据集是来自 Adult 数据集的 `adult.data`。 目标查询是教育水平的直方图（H1）。 项目包括： - 一维 Haar 小波变换的实现 - 向小波系数添加 Laplace 噪声 - 噪声直方图的重建 - 使用 Wasserstein 距离进行评估 - 探索更多的 epsilon 值 ## 环境要求 本项目使用 Python 3.12.7 所需库： - numpy - pandas - matplotlib - scipy - notebook ## 安装 使用以下命令安装所需的库： ``` pip install numpy pip install pandas pip install matplotlib pip install scipy pip install notebook ``` ## 数据集 本项目使用文件 adult.data。 在运行 notebook 之前，请将此文件放置在 data/ 文件夹中。 预期路径： data/adult.data ## 项目结构 ``` project/ ├─ data/ │ └─ adult.data ├─ notebook/ │ └─ privelet_experiment.ipynb └─ README.md ``` ## 主要函数 1. wavelet_transform(hist) 将原始直方图转换为 Haar 小波系数。 2. add_laplace_noise(coeffs, epsilon, random_state=None) 根据隐私预算 epsilon 向小波系数添加 Laplace 噪声。 3. inverse_wavelet_transform(coeffs) 从小波系数重建直方图。 4. privelet_1d(hist, epsilon, random_state=None) 运行完整的 1D Privelet 流水线：原始直方图 -> 小波变换 -> 含噪系数 -> 逆变换 -> 含噪直方图 ## 主要特性 - 从 Adult 数据集的 education 属性构建直方图 - 实现一维 Haar 小波变换和逆变换 - 在不同 ε 值下向小波系数添加 Laplace 噪声 - 重建含噪直方图 - 使用 Wasserstein 距离评估效用损失 - 比较多次随机运行中的隐私与效用权衡 ## 结果 实验表明，较小的 ε 值提供更强的隐私保护，但会引入更大的误差。 随着 ε 的增加，含噪直方图变得更接近原始直方图，Wasserstein 距离也随之减小。 ## 作者 Siying Liu

标签：Adult数据集, Haar Wavelet, Matplotlib, NoSQL, Numpy, Privelet, Python, Scipy, Wasserstein距离, 代码示例, 哈尔小波变换, 差分隐私, 拉普拉斯噪声, 数据分析, 数据脱敏, 数据隐私, 无后门, 直方图发布, 网络安全, 逆向工具, 隐私与效用权衡, 隐私保护