Facebook开源Opacus库，利用差分隐私训练PyTorch模型，快速训练又保护隐私
极市导读
近日，Facebook开源了Opacus库。它支持使用差分隐私（DP）来训练 PyTorch 模型，实现敏感数据量化的匿名化。
近日，Facebook 开源了一个新型库 Opacus，它支持使用差分隐私来训练PyTorch 模型，扩展性优于目前的 SOTA 方法。同时，Opacus 库支持以最少代码更改来训练模型，且不会影响训练性能，并允许在线跟踪任意给定时刻的隐私预算。
原文链接：
https://ai.facebook.com/blog/introducing-opacus-a-high-speed-library-for-training-pytorch-models-with-differential-privacy
Opacus 库开源地址：
https://github.com/pytorch/opacus
Opacus 库的目标受众主要为以下两类人群：
1、机器学习从业者：可以使用该库轻松了解如何利用差分隐私训练模型，该库支持以最少代码更改来训练模型；
2、差分隐私科学家：Opacus 库易于实验和修复，这允许他们专注于更重要的事。
差分隐私是一个具备数学严谨性的框架，可用于量化敏感数据的匿名化。Facebook 在相关博客中表示，希望 Opacus 库能为研究人员和工程师提供一条更简单的途径，以便在 ML 中使用差分隐私，并加快该领域的 DP 研究。
Opacus 库提供了什么？
通过这个开源的高速库 Opacus，你可以得到：
速度：利用 PyTorch 中的 Autograd hook，Opacus 能够批量化计算每个样本的梯度。与依赖 microbatching 的现有 DP 库相比，Opacus 实现了一个数量级的加速。
安全性：Opacus 对其安全关键代码使用密码学安全伪随机数生成器 CSPRNG，在 GPU 上对整批参数进行高速处理。
灵活性：基于 PyTorch，工程师和研究人员可以通过将 Opacus 代码与 PyTorch 代码和纯 Python 代码进行融合和匹配，快速为其 idea 构建原型。
生产效率：Opacus 库附带教程、在训练开始前提示不兼容层的辅助函数，以及自动重构机制。
交互性：Opacus 可以追踪用户在任意给定时间所花费的隐私预算（DP 的核心数学概念），从而实现早停和实时监控。
Opacus 通过引入 PrivacyEngine abstraction 定义了一个轻量级的 API，它既可以追踪隐私预算，也能够处理模型梯度。该 API 无需直接调用，只需将其连接至标准 PyTorch 优化器。该 API 在后台运行，这使得利用 Opacus 进行模型训练变得非常简单。用户只需在训练代码开头添加以下代码即可：
model = Net()optimizer = torch.optim.SGD(model.parameters(), lr=0.05)privacy_engine = PrivacyEngine(model,batch_size=32,sample_size=len(train_loader.dataset),alphas=range(2,32),noise_multiplier=1.3,max_grad_norm=1.0,)privacy_engine.attach(optimizer)# That's it! Now it's business as usual
训练结束，即得到一个标准的 PyTorch 模型，并且它没有部署私有模型的额外步骤或障碍：如果今天就想部署模型，你可以在使用 DP 训练模型后进行部署，且无需更改一行代码。
Opacus 库还包括预训练和微调模型、针对大型模型的教程，以及为隐私研究实验而设计的基础架构。
如何使用 Opacus 实现高速隐私训练？
Opacus 旨在保留每个训练样本的隐私，同时尽量不影响最终模型的准确率。Opacus 通过修改标准 PyTorch 优化器来实现这一点，以便在训练过程中实现（和度量）差分隐私。
具体来说，Opacus 的重点是差分隐私随机梯度下降（DP-SGD）。该算法的核心思想是：通过干预模型用来更新权重的参数梯度来保护训练集的隐私，而不是直接获取数据。通过在每次迭代中向梯度添加噪声，该库可以防止模型记住训练样本，同时还可以实现在 aggregate 中的学习。在训练过程的多个批次中，（无偏）噪声自然会被抵消。
但是，添加噪声需要一种微妙的平衡：噪声过多会破坏信号，过少则无法保证隐私。为了确定合适的规模，我们需要查看梯度范数。限制每个样本对梯度的影响非常重要，因为异常值的梯度大于大部分样本。但是异常值的隐私也需要得到保护，因为它们极有可能被模型记住。
因此，开发者计算 minibatch 中每个样本的梯度。开发者分别对每个梯度进行梯度裁剪，将其累积到一个梯度张量，然后再将噪声添加其中。
基于每个样本的计算是构建 Opacus 的最大障碍之一。PyTorch 的典型操作是利用 Autograd 计算整个批次的梯度张量，因为这对其他机器学习用例都有意义，并且可以优化性能。与之相比，基于每个样本的计算显然更具挑战性。
为了克服这一困难，开发者利用 Ian Goodfellow 2015 年提出的高效技术（参见论文《EFFICIENT PER-EXAMPLE GRADIENT COMPUTATIONS》），获取训练标准神经网络所需的全部梯度向量。
至于模型参数，则单独返回给定批次中每个样本的损失梯度，整个过程如下所示：
Opacus 工作流程图，其中计算了每个样本的梯度
通过在运行各层时追踪一些中间量，Opacus 库支持使用适合内存的任何批量大小进行训练。这使得该方法比其他替代性 micro-batch 方法快了一个数量级。
此外，Opacus 库的安装和使用过程也比较简单，详情参见 GitHub 项目。
推荐阅读
