aug-pe

用大模型API生成隐私安全的合成文本数据

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 开源模型 🍴 复刻 20 🐛 待处理 1 👀 关注 4
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 62
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源项目，Apache-2.0许可证，可免费使用和部署。

项目预览

aug-pe 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类开源模型
开发团队AI-secure
官网地址https://alphapav.github.io/augpe-dpapitext
GitHubhttps://github.com/AI-secure/aug-pe
定价模式🏷️完全免费
价格说明开源项目，Apache-2.0许可证，可免费使用和部署。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型ai-privacy,differential-privacy,language-model,large-language-models,prompt-engineering
GitHub 星标★ 62
上线时间2024-03-04 00:00:00
代码更新2025-01-11
仓库体积24.8 MB
本站数据更新2026-11-09
维护状态低维护
收录时间2026-08-09
浏览次数6

项目介绍

aug-pe 是 ICML 2024 Spotlight 论文的开源实现，专注于通过基础模型 API 生成满足差分隐私的合成文本数据。它解决的核心问题是：在保护敏感文本数据隐私的前提下，如何利用强大的预训练语言模型（如 GPT-3.5）生成高质量、可用的合成数据，用于下游任务训练或数据发布。项目提供了一套完整的流程，包括数据增强、差分隐私噪声注入、以及基于 API 的生成策略，使得非隐私专家也能相对容易地构建隐私保护的合成数据管道。其核心能力在于将差分隐私保证与基础模型的生成能力结合，在隐私预算和合成数据质量之间取得平衡，并支持多种文本数据场景。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 62

核心亮点

  • 来自ICML 2024 Spotlight论文，算法经过学术验证，隐私保护方法可靠
  • 利用基础模型API，无需训练私有模型即可生成高质量合成数据，降低使用门槛
  • 提供完整的差分隐私合成文本流程，涵盖数据增强、噪声注入和生成策略

不足之处

  • 项目早期阶段，文档和社区支持尚不完善
  • 依赖外部基础模型API，可能产生调用成本并受限于API可用性

适用场景

  • 企业需要发布或共享敏感文本数据（如医疗记录、用户评论）时，生成隐私保护的替代数据集
  • 数据科学家在隐私预算约束下，为下游机器学习模型扩充训练数据
  • 研究机构在无法直接使用原始敏感数据的情况下，构建可复用的公开数据集

替代项目

opendp、diffprivlib、pytorch-dp

上一篇：Shot2Story

下一篇：IEPile

同类项目推荐

Kokoro-Speech-Dataset 开源

免费日语单说话人语音数据，拿来就能训TTS

A public domain single speaker Japanese speech dataset

★ 75 2026-08-09
paper-list 开源

自动追踪最新论文，省去手动搜索时间

autoupdate paper list

★ 170 2026-08-09
vietnamese-provinces-database 开源

一键获取越南省县乡数据，快速构建本地化地图应用。

Comprehensive SQL and GIS datasets for Vietnamese administrative units, including pr···

★ 1859 2026-08-10
OpusFilter 开源

配置式过滤平行语料，快速清洗出高质量句对

OpusFilter - Parallel corpus processing toolkit

★ 116 2026-09-11
GVINS-Dataset 开源

给机器人一套同步的相机+IMU+GNSS数据，做户外定位不漂移

A dataset containing synchronized visual, inertial and GNSS raw measurements.

★ 266 2026-09-21
MAMA-MIA 开源

提供多中心乳腺癌MRI标准数据集，助力AI诊断模型训练与验证

The MAMA-MIA Dataset: A Multi-Center Breast Cancer DCE-MRI Public Dataset with Exper···

★ 117 2026-08-09
Dialog_Corpus 开源

拿来即用的中英文对话语料，快速训练你的聊天机器人

用于训练中英文对话系统的语料库 Datasets for Training Chatbot System

★ 2058 2026-08-09