【实验室电脑】 【百度网盘：1，2，4，5】【南大云盘：1，2，3，4，5】（因为3太大了 网盘没有会员装不下）
1. DP_DT：（复现论文）实现差分隐私 决策树 （联想小新）
2. HE_DT: （复现论文）同态加密决策树 《Privacy-Preserving Decision Tree Training and Prediction against Malicious Server 》（联想小新vs studio）
3. 实现的保序加密决策树代码【自己的方法】【label 为DET加密】（实验室/（联想小新））
4.SHE_DT 【自己的方法】【label 为同态加密TFHE加密的】 参考 （https://github.com/qianlou/SHE 可以进行max 运算 实现神经网络计算）(服务器xxr)
5. 在线增量决策树 +OPE 【自己的方法，补充实验】 【efdt.py】实现的，其余文件都没有用到 其中，rf.py是最简单的随机森林原作者实现的，也不是增量学习的（没有用就是啦）（实验室）
6. 对比实验 ： 改良版 完全随机森林（也会用到gini）+多方安全计算（已经跑通）（server+两个客户端）（但没有真的实现MPC加密传输，只是在明文上实现了数据的传输和训练）（实验室）
.
注意事项：
（1）代码修改如下：
（2）运行：
------先运行 服务器端 ./Mediator/sever.py 文件 注意socket 端口号IP要一致！
------ 然后要运行客户端，这里必须运行两个客户端，并且命名为0和1，其余的会报错
（7）k匿名对比试验：
https://github.com/qiyuangong/Mondrian （github链接）【用来生成k匿名处理过后的数据】（实验室电脑、网盘）
【用自己的数据集生成k-匿名的数据】：
其中，RF_median.py代码：是将k匿名之后的数据变成其对应的median中值，然后进行普通的随机森林的构建的方式：
其中，rf.py 是根据<Utility of Anonymised Data in Decision Tree Derivation>论文呢进行的改版,每一个在区间里面的元素 都有1/r的概率,候选划分split按照原始数据的可选value进行：
（8）同态加密决策树的预测：（LINUX 服务器） KULeuven-COSIC/SortingHat: Implementation of SortingHat: Efficient Private Decision Tree Evaluation via Homomorphic Encryption and Transciphering. (github.com)
标签：github,加密,代码,py,匿名,保序,小新,决策树 From： https://www.cnblogs.com/kekexxr/p/16860997.html