Facebook Rilis Opacus: Pustaka untuk Latih Model PyTorch dengan Privasi Diferensial

Liputan6.com, Jakarta - Facebook merilis pustaka berkecepatan tinggi baru untuk melatih model PyTorch dengan privasi diferensial. Pustaka bernama Opacus itu disebut lebih skalabel daripada pustaka serupa lainnya.

"Privasi diferensial adalah kerangka kerja yang ketat untuk mengukur anonimisasi data sensitif secara matematis. Ini sering digunakan dalam Analytics, seiring dengan meningkatnya minat pada komunitas Machine Learning," kata tim Facebook AI Research, dikutip dari keterangan perusahaan.

Perusahaan, dengan merilis Opacus, berharap dapat memberikan jalur lebih mudah bagi para peneliti dan insinyur untuk mengadopsi privasi diferensial di bidang Machine Learning.

Selain itu, pustaka ini diharapkan dapat mempercepat penelitian privasi diferensial di lapangan. Berikut ini fitur-fitur unggulan dari Opacus:

Kecepatan

Dengan memanfaatkan Autograd di PyTorch, Opacus dapat menghitung kumpulan gradien per sampel, yang menghasilkan urutan percepatan besaran dibandingkan dengan pustaka privasi diferensial yang ada yang mengandalkan microbatching.

Keamanan

Opacus menggunakan generator nomor pseudo-acak yang secara kriptografik aman untuk kode keamanan kritisnya. Ini diproses dengan kecepatan tinggi pada GPU untuk seluruh batch parameter.

Fleksibilitas

Insinyur dan peneliti dapat dengan cepat membuat prototipe ide mereka dengan mencampur dan mencocokkan kode dengan kode PyTorch dan kode Python murni.

Produktivitas

Opacus dilengkapi dengan tutorial, fungsi pembantu yang memperingatkan tentang lapisan yang tidak kompatibel bahkan sebelum insinyur atau peneliti mulai melaith model. Ada pula mekanisme pemfaktoran ulang otomatis.

Interaktivitas

Opacus melacak berapa banyak anggaran privasi Anda (konsep matematika inti dalam privasi diferensial) yang insinyur atau peneliti habiskan pada titik waktu tertentu. Hal ini memungkinkan penghentian awal dan pemantauan waktu nyata.

Opacus menawarkan API ringan dengan memperkenalkan abstraksi PrivacyEngine, yang menangani pelacakan anggaran privasi Anda dan mengerjakan gradien model.

Hal lain yang tak kalah menarik, Opacus terpasang ke pengoptimal PyTorch standar, sehingga insinyur atau peneliti tidak perlu memanggilnya secara langsung agar dapat beroperasi