隱私保護是機器學習領域的重要倫理問題之一，而差分隱私（DP）是行之有效的隱私保護手段。那么，如何方便地使用差分隱私來訓練機器學習模型呢？近日，Facebook 開源了 Opacus 庫，支持以這種方式訓練 PyTorch 模型。
近日，Facebook 開源了一個新型庫 Opacus，它支持使用差分隱私來訓練 PyTorch 模型，擴展性優于目前的 SOTA 方法。同時，Opacus 庫支持以最少代碼更改來訓練模型，且不會影響訓練性能，并允許在線跟蹤任意給定時刻的隱私預算。
Opacus 庫開源地址：https://github.com/pytorch/opacus
Opacus 庫的目標受眾主要為以下兩類人群：
機器學習從業者：可以使用該庫輕松了解如何利用差分隱私訓練模型，該庫支持以最少代碼更改來訓練模型；
差分隱私科學家：Opacus 庫易于實驗和修復，這允許他們專注于更重要的事。
差分隱私是一個具備數學嚴謹性的框架，可用于量化敏感數據的匿名化。Facebook 在相關博客中表示，希望 Opacus 庫能為研究人員和工程師提供一條更簡單的途徑，以便在 ML 中使用差分隱私，并加快該領域的 DP 研究。
Opacus 庫提供了什么？
通過這個開源的高速庫 Opacus，你可以得到：
速度：利用 PyTorch 中的 Autograd hook，Opacus 能夠批量化計算每個樣本的梯度。與依賴 microbatching 的現有 DP 庫相比，Opacus 實現了一個數量級的加速。
安全性：Opacus 對其安全關鍵代碼使用密碼學安全偽隨機數生成器 CSPRNG，在 GPU 上對整批參數進行高速處理。
靈活性：基于 PyTorch，工程師和研究人員可以通過將 Opacus 代碼與 PyTorch 代碼和純 Python 代碼進行融合和匹配，快速為其 idea 構建原型。
生產效率：Opacus 庫附帶教程、在訓練開始前提示不兼容層的輔助函數，以及自動重構機制。
交互性：Opacus 可以追蹤用戶在任意給定時間所花費的隱私預算（DP 的核心數學概念），從而實現早停和實時監控。
Opacus 通過引入 PrivacyEngine abstraction 定義了一個輕量級的 API，它既可以追蹤隱私預算，也能夠處理模型梯度。該 API 無需直接調用，只需將其連接至標準 PyTorch 優化器。該 API 在后臺運行，這使得利用 Opacus 進行模型訓練變得非常簡單。用戶只需在訓練代碼開頭添加以下代碼即可：
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
訓練結束，即得到一個標準的 PyTorch 模型，并且它沒有部署私有模型的額外步驟或障礙：如果今天就想部署模型，你可以在使用 DP 訓練模型后進行部署，且無需更改一行代碼。
Opacus 庫還包括預訓練和微調模型、針對大型模型的教程，以及為隱私研究實驗而設計的基礎架構。
如何使用 Opacus 實現高速隱私訓練？
Opacus 旨在保留每個訓練樣本的隱私，同時盡量不影響最終模型的準確率。Opacus 通過修改標準 PyTorch 優化器來實現這一點，以便在訓練過程中實現（和度量）差分隱私。
具體來說，Opacus 的重點是差分隱私隨機梯度下降（DP-SGD）。該算法的核心思想是：通過干預模型用來更新權重的參數梯度來保護訓練集的隱私，而不是直接獲取數據。通過在每次迭代中向梯度添加噪聲，該庫可以防止模型記住訓練樣本，同時還可以實現在 aggregate 中的學習。在訓練過程的多個批次中，（無偏）噪聲自然會被抵消。
但是，添加噪聲需要一種微妙的平衡：噪聲過多會破壞信號，過少則無法保證隱私。為了確定合適的規模，我們需要查看梯度范數。限制每個樣本對梯度的影響非常重要，因為異常值的梯度大于大部分樣本。但是異常值的隱私也需要得到保護，因為它們極有可能被模型記住。
因此，開發者計算 minibatch 中每個樣本的梯度。開發者分別對每個梯度進行梯度裁剪，將其累積到一個梯度張量，然后再將噪聲添加其中。
基于每個樣本的計算是構建 Opacus 的最大障礙之一。PyTorch 的典型操作是利用 Autograd 計算整個批次的梯度張量，因為這對其他機器學習用例都有意義，并且可以優化性能。與之相比，基于每個樣本的計算顯然更具挑戰性。
為了克服這一困難，開發者利用 Ian Goodfellow 2015 年提出的高效技術（參見論文《EFFICIENT PER-EXAMPLE GRADIENT COMPUTATIONS》），獲取訓練標準神經網絡所需的全部梯度向量。
至于模型參數，則單獨返回給定批次中每個樣本的損失梯度，整個過程如下所示：
Opacus 工作流程圖，其中計算了每個樣本的梯度。
通過在運行各層時追蹤一些中間量，Opacus 庫支持使用適合內存的任何批量大小進行訓練。這使得該方法比其他替代性 micro-batch 方法快了一個數量級。
此外，Opacus 庫的安裝和使用過程也比較簡單，詳情參見 GitHub 項目。