python实现差分隐私Laplace机制详解
Laplace分布定义:
下面先给出Laplace分布实现代码:
importmatplotlib.pyplotasplt importnumpyasnp deflaplace_function(x,beta): result=(1/(2*beta))*np.e**(-1*(np.abs(x)/beta)) returnresult #在-5到5之间等间隔的取10000个数 x=np.linspace(-5,5,10000) y1=[laplace_function(x_,0.5)forx_inx] y2=[laplace_function(x_,1)forx_inx] y3=[laplace_function(x_,2)forx_inx] plt.plot(x,y1,color='r',label='beta:0.5') plt.plot(x,y2,color='g',label='beta:1') plt.plot(x,y3,color='b',label='beta:2') plt.title("Laplacedistribution") plt.legend() plt.show()
效果图如下:
接下来给出Laplace机制实现:
Laplace机制,即在操作函数结果中加入服从Laplace分布的噪声。
Laplace概率密度函数Lap(x|b)=1/2bexp(-|x|/b)正比于exp(-|x|/b)。
importnumpyasnp defnoisyCount(sensitivety,epsilon): beta=sensitivety/epsilon u1=np.random.random() u2=np.random.random() ifu1<=0.5: n_value=-beta*np.log(1.-u2) else: n_value=beta*np.log(u2) print(n_value) returnn_value deflaplace_mech(data,sensitivety,epsilon): foriinrange(len(data)): data[i]+=noisyCount(sensitivety,epsilon) returndata if__name__=='__main__': x=[1.,1.,0.] sensitivety=1 epsilon=1 data=laplace_mech(x,sensitivety,epsilon) forjindata: print(j)
以上这篇python实现差分隐私Laplace机制详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。