Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Decision Trees with Differential Privacy

Đang mở
  • Có gì không ổn?
#355 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
20/100
Loại issue
Tính năng
Độ rõ ràng
Cần làm rõ
Mức độ hoạt động
Đình trệ
Công nghệ
python
Lĩnh vực
machine-learning

Hướng nghiên cứu

The issue names no source files, tests, or entry points, and covers several decision-tree, privacy, distributed-data, bagging, and boosting capabilities. Start by reading the linked design document and cited papers, then split the broad request into a specific, testable sub-issue. Done should mean that one agreed capability has defined scope and acceptance criteria.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

gsoc Type: Epic :call_me_hand: Type: Research :microscope:

Feature Description

This feature will eventually add Decision Trees into the PyDP library, along with the necessary control mechanism needed to use it as part of a pipeline.

Is your feature request related to a problem?

No, it is due to a lack of support.

What alternatives have you considered?

No alternatives currently exist.

Are you interested in working on this yourself?

Yes.

Additional Context

Given that scope of this issue is widespread, it will eventually be broken down into smaller issues. Here's an outline of the functionalities to be implemented:

  • Base Decision Tree Model

  • The base Decision Tree model: a vanilla ID3 based decision tree.

  • ID3 construction algorithm

  • Differentially Private algorithm: to construct and update the tree in a differentially private way.

  • References:

    • Semi-Supervised Learning Approach to Differential Privacy by G. Jagannathan, C. Monteleoni, and K. Pillaipakkamnatt
    • A Practical Differentially Private Random Decision Tree Classifier by Geetha Jagannathan, Krishnan Pillaipakkamnatt, and Rebecca N. Wright.
    • Differentially Private Random Decision Forests using Smooth Sensitivity by Sam Fletcher, Md Zahidul Islam

  • Differentially Private Bagging

  • An algorithm to partition data multiple times in order to achieve differentially private subsample-and-aggregate.

  • References:

    • Differentially Private Bagging: Improved utility and cheaper privacy than subsample-and-aggregate by James Jordon, Jinsung Yoon, Mihaela van der Schaar

  • Support for Horizontally and Vertically Partitioned Data

  • This will extend the functionality of the Private Decision Tree to be able to work with horizontally distributed data (by means of incremental learning) and vertically distributed data.

  • Vertically distributed data requires each stakeholder to construct a differentially private decision tree (assuming no overlap in the attributes) and makes a union.

  • References:

    • A Practical Differentially Private Random Decision Tree Classifier by Geetha Jagannathan, Krishnan Pillaipakkamnatt, and Rebecca N. Wright.

  • Boosted Differential Private ensembles

  • Add boosting to differentially private decisions trees to enable ensemble formation.

  • References:

    • Boosted and Differentially Private Ensembles of Decision Trees by Richard Nock, Wilko Henecka

More details can be found here as well as in the reference papers.

Ngôn ngữ chính
Python
Star
550
Fork
143
Không có pull request nào được merge trong 30 ngày

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của OpenMined/PyDP

Tất cả issue của OpenMined/PyDP

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.