Noisegate es un proyecto de software que actúa como pasarela (gateway) de privacidad diferencial entre un agente de inteligencia artificial y un conjunto de datos sensibles. Funciona como servidor MCP (Model Context Protocol) integrable con clientes como Claude Desktop, y garantiza matemáticamente que ningún registro individual puede filtrarse a través de las respuestas, incluso si el modelo que formula las consultas es malicioso o está manipulado.
El sistema se basa en una arquitectura de frontera de confianza (trust boundary): el LLM solo propone consultas en lenguaje natural, que se traducen a queriesSQL restringidas ejecutadas sobre DuckDB. Un motor de privacidad diferencial añade ruido calibrado a cada respuesta y lleva un control de presupuesto (privacy budget) que limita cuántas preguntas pueden hacerse antes de devolver una negativa. Los autores subrayan que la garantía no depende de la confianza en el modelo, sino de componentes verificados por debajo.
Para demostrar que la promesa es real, el repositorio incluye una galería de ataques reproducible: differencing (aislar a una persona con dos preguntas agregadas), membership inference (deducir si alguien está en el dataset) y singling-out por reidentificación (reproducción del hallazgo de Latanya Sweeney de 2002 sobre ZIP, fecha de nacimiento y sexo). Cada ataque se ejecuta contra el propio motor con la privacidad desactivada (donde triunfa) y activada (donde es derrotado), con resultados pinned en integración continua.
La implementación se valida además frente a OpenDP, la implementación de referencia del sector, con coincidencia de escala de ruido a 1e-9 en 35 comprobaciones y test de distribución sobre 500.000 muestras. El stack es Python, DuckDB, FastAPI, Streamlit y Docker, con más de 250 pruebas automatizadas en GitHub Actions.