Краткий ответ: mlr не поддерживает это.
Длинный ответ: Мой опыт работы с дифференциальной конфиденциальностью для машинного обучения заключается в том, что на практике это работает не так, как рекламируется.В частности, для применения порогового значения вам понадобятся: а) обильные объемы данных и б) априорная вероятность того, что данный классификатор будет соответствовать заданным данным - то, что вы не можете легко определить на практике.В то время как на статью, на которую вы ссылаетесь, приведен пример кода, который показывает, что пороговое значение работает в данном конкретном случае, но количество шума, добавляемого в код, выглядит так, как будто оно было определено на специальной основе;связь с алгоритмом порога, описанным в статье, не ясна.
До того, как дифференциальная конфиденциальность может быть надежно применена на практике в подобных сценариях, mlr не будет поддерживать ее.