privacy

收录理由

训练机器学习模型时，如果数据本身敏感——比如客户记录或医疗日志，一旦泄露代价高昂，通常意味着不能直接套用标准的TensorFlow训练流程。TensorFlow Privacy改变了这一局面：它提供了带差分隐私的优化器，包括SGD和Adam的DP-SGD变体，可以无缝接入现有Keras模型，无需改写模型代码。仓库还附带分析工具，用于估算一次训练实际消耗的隐私预算，并配有调参教程。针对Dense和Embedding层的快速逐样本梯度裁剪实现，大幅降低了内存开销，也省去了手动调整microbatch大小的麻烦，让私有训练在普通硬件上也能落地。