本项目主要记录了联邦学习和差分隐私内容,方便初学者快速了解与联邦学习、差分隐私相关的基础知识内容。此外,该项目在记录相关知识的同时也扩展了 一些其它内容,例如,Python、TensorFlow、PyTorch、AI、数据预处理、LeetCode算法等。
Federated Learning and Differential Privacy Platform(基于差分隐私的联邦学习平台): Fed-DP
为了减轻初学者实现 FL & DP
算法的麻烦,我们在另外一个项目中搭建了一个简单易实现的基于差分隐私的联邦学习基础框架 Fed-DP
。Fed-DP 为联邦学习提供了必
要的学习内容模块,如基础模型、模型优化、数据分区、差分隐私等,其具体包含的内容如下:
- 神经网络模型
- 一种
IID
和 7 种Non-IID
数据分布划分 - 经典FedAvg模型、4 种个性化联邦学习框架、1 种联邦混洗模型
- 所有模型结构均已引入差分隐私技术,并可以自定义差分隐私机制
未来,Fed-DP平台将引入更多的顶会、顶刊
中的联邦学习模型,并加入多方安全计算、同态加密、区块链、攻击手段等技术内容。更多内容可以参考 Fed-DP 项目
- AI:记录人工智能技术,如Transform、CNN等基础入门模型技术
- ai_attack: 记录人工智能模型中常见的攻击手段,如数据投毒、模型投毒、后门攻击、推理攻击等
- algorithm:记录leetcode、nowcode 算法实现
- data_preprocessing:主要记录与数据特征处理相关的知识,包含numpy、pandas、matplotlib、scipy
- differential_privacy:主要记录
差分隐私
的基础知识、文章以及如何在联邦学习中应用 - federated_learning:分享联邦学习的文章和代码,使用Tensorflow和PyTorch工具搭建模型
- math:记录常用的数学概念
- python:主要记录
python
的基础知识 - pytorch:主要记录
pytorch
的基础知识、API、基础实现 - tensorflow:主要记录
tensorflow
的基础知识、API、基础内容 - common_symbols.md:记录
paper
中出现数学的符号含义
如果对差分隐私联邦学习项目有任何技术上的问题,请通过 Github issues
或者 Email
联系我