- 综合排序
- 最热优先
- 最新优先
- 来自专栏ATYUN订阅号
PySyft与隐私深度学习的兴起
在试图解决这一重大挑战的技术中，PySyft是最近在深度学习社区中逐渐获得吸引力的框架。 隐私在深度学习应用中的重要性与分布式、多方模型的出现直接相关。 PySyft PySyft是一个框架，它支持在深度学习模型中进行安全的、私有的计算。 PySyft将联合学习、安全多方计算和差异隐私结合在一个编程模型中，集成到不同的深度学习框架中，如PyTorch、Keras或TensorFlow。 PySyft的原理最初是在一篇研究论文中概述的，它的第一个实现是由OpenMind领导的，OpenMind是领先的分散人工智能平台之一。 PySyft的核心部分是一个叫做syft的抽象张量。 使用PySyft相对简单，与您的标准PyTorch或Keras程序没有太大区别。下面的动画演示了一个使用PySyft的简单分类模型。 ?
3.3K30发布于 2019-07-05 - 来自专栏宗恩
Opacus一款用于训练具有差分隐私的PyTorch模型的高速库
并利用许多PyTorch构建块为PySyft和PyGrid提供基础，以实现差异化隐私和联合学习。作为合作的一部分，Opacus将成为OpenMined库（例如PySyft）的依赖项。
1.3K20编辑于 2023-05-08 - 来自专栏学习
机器学习——数据隐私与安全学习
差分隐私实现代码示例 使用 Python 中的 PySyft 库，可以为机器学习模型实现差分隐私。 在上面的代码中，我们使用 PySyft 实现了一个简单的逻辑回归模型，并通过差分隐私来保护训练数据。在这个过程中，使用了隐私预算来控制添加噪声的强度。
1K10编辑于 2024-10-22 - 来自专栏小詹同学
2019年度机器学习49个顶级工程汇总
44、PySyft：关注安全性的深度学习库。【2595 stars on Github】 项目地址： https://github.com/OpenMined/PySyft?
72410发布于 2019-03-06 - 来自专栏出海数据合规
基于策略驱动的可插拔隐私计算框架 (PDPPC) ：未来趋势：合成数据与AIGC
PDPPC集成了FATE和PySyft等主流框架,并对其进行了适配。FATE：工业级联邦学习标准FATE(FederatedAITechnologyEnabler)是目前工业界应用最广泛的开源框架。 PySyft：远程数据科学范式PySyft代表了另一种"以数据为中心"的思路,即远程数据科学（RemoteDataScience）。 对象级隐私策略：PySyft允许为每个数据对象（Tensor）绑定具体的隐私策略（sy.Policy）。例如,可以定义一个Tensor只允许执行"求和"操作,且结果必须经过差分隐私处理。
15900编辑于 2026-01-25 - 来自专栏后端
保护数据，构建信任：联邦学习与差分隐私在AI训练中的实践
可借助现有框架如TensorFlow Federated或PySyft。差分隐私会影响模型性能吗？会有一定影响，但合理调整噪声级别可以权衡隐私与性能。
1K10编辑于 2024-12-02 - 来自专栏速入大数据
别再只会写SQL了！这五个大数据趋势正在悄悄改变行业格局
虽然代码略复杂，但像 PySyft 这样的库可以模拟这种操作：import syft as syhook = sy.TorchHook(torch)me = hook.local_worker这类技术在医疗
20000编辑于 2025-06-25 - 来自专栏人工智能
📝《开源vs闭源：大模型时代的技术伦理之争》
推荐工具 伦理价值点 模型透明度评估IBM Watson OpenScale 检测黑箱模型的歧视性决策数据隐私保护 PySyft 闭源应对策略 数据偏见IBM AIF360 + FairlearnAzure Responsible AI仪表盘 隐私泄露PySyft
1.1K30编辑于 2025-03-24 - 来自专栏人工智能应用
大型企业数据治理与数据资产化：从技术债到价值锚的演进之路
2.2 安全合规：隐私计算的技术实现 在医疗数据开放场景中，我们采用纵向联邦学习方案： # 基于PySyft的联邦学习代码片段 import syft as sf # 医院端（数据持有方） hook
25000编辑于 2025-08-01 大型企业数据治理与数据资产化：从技术债到价值锚的演进之路
2.2 安全合规：隐私计算的技术实现 在医疗数据开放场景中，我们采用纵向联邦学习方案： # 基于PySyft的联邦学习代码片段 import syft as sf # 医院端（数据持有方） hook
32510编辑于 2025-05-18- 来自专栏Python项目实战
数据共享又怕泄露？聊聊隐私计算：让数据“可用不可见”的绝活儿
代码示例（PySyft）：展开代码语言：PythonAI代码解释importsyftassyimporttorchfromtorchimportnn,optimhook=sy.TorchHook(torch
35700编辑于 2025-11-15 - 来自专栏出海数据合规
基于策略驱动的可插拔隐私计算框架 (PDPPC)：水印是数据安全"最后一道防线"
容器化封装：将不同的算法引擎（如FATE的FL引擎、OpenMined的PySyft、Intel的GramineLibOS）封装在独立的Docker容器或Pod中。 SouthboundEngineLayer)：Driver适配器：实现标准接口（如ComputeDriver,StorageDriver）异构后端池：挂载MPC（SPU）、TEE（SGX/TDX）、FL（FATE/PySyft
17210编辑于 2026-01-26 - 来自专栏AI科技评论
ICML 2022丨FedScale：大规模联邦学习基准系统
这是因为这些基准主要是从传统的 ML 基准（例如，MLPerf）中借⽤的，或者是为模拟联邦学习环境设计的，例如 TensorFlow Federated或PySyft。
1.9K30编辑于 2022-06-16 - 来自专栏量子位
联邦学习前路如何？杨强：已到“合久必分”的状态
而且与之相关的开源框架也是陆续被提出，例如OpenMined推出的Pysyft、微众银行的FATE和谷歌的TFF框架等等。
72640编辑于 2022-12-09 - 来自专栏深度学习与python
DataOps、MLOps 和 AIOps，你要的是哪个Ops？
工具：PySyft 能够解耦模型训练过程中的私有数据，AirClope 能够匿名化数据。Awesome AI Guidelines 能够基于 AI 的原则、标准和规范进行管理。 2.
1.9K20发布于 2021-02-22 - 来自专栏DeepHub IMBA
联邦学习（Federated Learning）详解以及示例代码
OpenMined的PySyft、Microsoft的SEAL或TensorFlow Encrypted等库为加密的深度学习提供了工具，这些工具可以应用到联邦学习系统中。 有许多联邦学习库可供选择，从在 GitHub 上拥有超过 1700 颗星的更主流的 Tensorflow Federated 到流行且注重隐私的 PySyft，再到面向研究的 FedJAX。
16.1K12编辑于 2021-12-15 - 来自专栏素质云笔记
笔记︱联邦学习与隐私计算的案例集锦（一）
2.3 阿里：FederatedScope 2.4 腾讯：PowerFL 2.4.1 PowerFL介绍 2.4.2 广告投放场景 2.5 TensorFlow Federated (TFF) 2.6 PySyft 2.4.2 广告投放场景 2.5 TensorFlow Federated (TFF) 2.6 PySyft 2.7 coMind 2.8 XAIN 3 使用案例 3.1
5K30编辑于 2022-06-06 - 来自专栏数据猿
商汤IPO遭遇美国阻击，双方纠结点“AI的伦理”到底该怎么解决？
这些开源框架分别由谷歌（Tensorflow Federated）、OpenMined（Pysyft）、百度（PaddleFL）和微众银行（Fate）等牵头。
41420编辑于 2021-12-14 深度学习前沿探索：联邦学习的梯度安全与差分隐私噪声注入的收敛界分析
开源工具方面，PySyft和TensorFlow Privacy提供了完整的噪声注入实现。 即使开源框架如FATE和PySyft持续迭代，部署带安全保障的联邦系统仍需要专业团队。
77010编辑于 2025-08-27- 来自专栏大数据文摘
遍览200多个机器学习工具后，我学到了啥
例如：PySyft。 下面这张图里，横坐标是这些工具设法解决的主要问题，纵坐标是针对特定问题的工具数量。
49030发布于 2020-07-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号