差分隐私入门——拉普拉斯分布

Laplace分布的概率密度函数:Laplace分布的概率密度函数:Laplace分布的概率密度函数:
p(x)=12λe−∣x−μ∣λ，一般取μ=0，函数形式如：p(x)=\frac{1}{2\lambda}e^{-\frac{|x-\mu|}{\lambda}}，一般取\mu=0，函数形式如：p(x)=2λ1e−λ∣x−μ∣，一般取μ=0，函数形式如：
p(x)=12λe−∣x∣λ，又称为双指数函数分布。p(x)=\frac{1}{2\lambda}e^{-\frac{|x|}{\lambda}}，又称为双指数函数分布。p(x)=2λ1e−λ∣x∣，又称为双指数函数分布。
标准Laplace分布的均值为0，方差为2λ2，几种λ下其概率分布图如下：标准Laplace分布的均值为0，方差为{2\lambda^2}，几种\lambda下其概率分布图如下：标准Laplace分布的均值为0，方差为2λ2，几种λ下其概率分布图如下：

import matplotlib.pyplot as plt
import numpy as np
def laplace_function(x, lambda_):return (1/(2*lambda_)) * np.e**(-1*(np.abs(x)/lambda_))
x = np.linspace(-5,5,10000)
y1 = [laplace_function(x_,1) for x_ in x]
y2 = [laplace_function(x_,2) for x_ in x]
y3 = [laplace_function(x_,0.5) for x_ in x]plt.plot(x, y1, color='r', label="lambda:1")
plt.plot(x, y2, color='g', label="lambda:2")
plt.plot(x, y3, color='b', label="lambda:0.5")plt.title("Laplace distributions")
plt.legend()
plt.show()

np.random.laplace可以获得拉普拉斯分布的随机值，参数主要如下：np.random.laplace可以获得拉普拉斯分布的随机值，参数主要如下：np.random.laplace可以获得拉普拉斯分布的随机值，参数主要如下：
loc：就是上面的μ，控制偏移。loc：就是上面的\mu，控制偏移。loc：就是上面的μ，控制偏移。
scale：就是上面的λ，控制缩放。scale：就是上面的\lambda，控制缩放。scale：就是上面的λ，控制缩放。
size：是产生数据的个数。size：是产生数据的个数。size：是产生数据的个数。
python生成laplace分布直方图：python生成laplace分布直方图：python生成laplace分布直方图：

import numpy as np
#print(np.random.laplace(0,1,10)) 生成10个样本
laplace1 = np.random.laplace(0, 1, 10000)
laplace2 = np.random.laplace(0, 2, 10000)import matplotlib.pyplot as plt
fig, (ax1, ax2) = plt.subplots(1,2, sharex=True, sharey=True)
ax1.hist(laplace1,bins=1000, label="lambda:1")
ax1.legend()ax2.hist(laplace2, bins=1000, label="lambda:2")
ax2.legend()
plt.show()

差分隐私入门——拉普拉斯分布相关推荐

ε-差分隐私之拉普拉斯噪声机制（定义 + 证明 + 代码）
ε-差分隐私之拉普拉斯噪声机制差分隐私的描述 1-范式的定义:使用matlab调用函数norm(x, 1) 更多范式见范式差分隐私的定义应该满足拉普拉斯噪声的证明全过程如下: DP方向差分隐私 ...
【差分隐私入门】差分隐私系统学习记录（一）
The Algorithmic Foundations of Differential Privacy (一) 写在前面的话 The Promise of Differential Privacy B ...
差分隐私介绍以及拉普拉斯差分隐私实现细节
差分隐私差分隐私通过在统计结果中加入了适量噪音以确保修改数据集中一条个体记录不会对统计结果造成显著影响,从而满足了隐私保护的要求.即便攻击者掌握了除一条数据外的全部其他的数据记录,差分隐私仍然能够防 ...
【联邦学习实战】基于同态加密和差分隐私混合加密机制的FedAvg
联邦学习实战--基于同态加密和差分隐私混合加密机制的FedAvg 前言 1. FedAvg 1.1 getData.py 1.2 Models.py 1.3 client.py 1.4 server. ...
差分隐私：原理、应用与展望（新加坡国立大学萧小奎）
讲座原视频链接:(差分隐私:原理.应用与展望) https://www.bilibili.com/video/BV1Tk4y117uA?from=search&seid=10380937147 ...
秘密共享差分隐私原理解析
1. 隐私计算全貌可以看到,隐私计算技术从1979年就开始了,历经四代从安全多方计算(MPC).到差分隐私(DP).到集中加密技术(TEE),再到联邦学习(FL). 2. 秘密共享 secre ...
差分隐私学习路线【定期更新】
差分隐私学习路线[定期更新] 写在前面的话基础知识方向写在前面的话博客,视频,论文和代码实现.有不会的就查,把基础知识打牢. 基础知识吃透下面这些,你就差分隐私入门了.网上有些博客写得有问题 ...
【拉普拉斯机制代码实现demo】差分隐私代码实现系列（四）
差分隐私代码实现系列(四) 写在前面的话回顾差分隐私(Differential Privacy) 拉普拉斯机制(The Laplace Mechanism) 多少噪音就足够了?(How Much ...
【高斯和拉普拉斯为什么分别对应L2和L1?】差分隐私系统学习记录（五）
The Algorithmic Foundations of Differential Privacy (五) 写在前面的话 Laplace versus Gauss 什么是先验分布?后验分布?似然估 ...

差分隐私入门——拉普拉斯分布

差分隐私入门——拉普拉斯分布相关推荐

最新文章

热门文章