💻 computer science

PPEDCRF: Dynamic-CRF-Guided Selective Perturbation for Background-Based Location Privacy in Video Sequences

यह शोध पत्र PPEDCRF को प्रस्तुत करता है, जो एक डायनेमिक कंडीशनल रैंडम फील्ड का उपयोग करके वीडियो अनुक्रमों में बैकग्राउंड-आधारित स्थान गोपनीयता की रक्षा करता है, जो केवल स्थान-संवेदनशील क्षेत्रों में कैलिब्रेटेड गॉसियन शोर (Gaussian noise) के माध्यम से चयनात्मक रूप से व्यवधान उत्पन्न करता है, जिससे वैश्विक शोर इंजेक्शन (global noise injection) की तुलना में बेहतर दृश्य गुणवत्ता बनाए रखते हुए जियोलोकेशन रिट्रीवल सटीकता को महत्वपूर्ण रूप से कम किया जा सके।

मूल लेखक: Bo Ma, Weiqi Yan, Jinsong Wu

प्रकाशित 2026-04-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bo Ma, Weiqi Yan, Jinsong Wu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ PPEDCRF पेपर का सरल भाषा, रोज़मर्रा के उदाहरणों और रचनात्मक रूपकों (metaphors) का उपयोग करके किया गया स्पष्टीकरण दिया गया है।

बड़ी समस्या: "डिजिटल डिटेक्टिव" (Digital Detective)

कल्पना कीजिए कि आपने अपनी सुबह की यात्रा (commute) का एक वीडियो लिया और उसे इंटरनेट पर अपलोड कर दिया। आपने समझदारी दिखाते हुए GPS कोऑर्डिनेट्स (डिजिटल "एड्रेस टैग") हटा दिए ताकि किसी को पता न चले कि आप वास्तव में कहाँ थे।

लेकिन यहाँ एक पेंच है: GPS टैग के बिना भी, एक चतुर "डिजिटल डिटेक्टिव" (हमलावर) यह पता लगा सकता है कि आप कहाँ थे। कैसे? बैकग्राउंड (पृष्ठभूमि) को देखकर।

वे एक विशिष्ट लाल ईंट वाली इमारत, एक अनोखा बिलबोर्ड, या एक अजीब आकार के पेड़ को देखते हैं।
वे लाखों जियो-टैग्ड (geo-tagged) तस्वीरों के विशाल डेटाबेस के खिलाफ इसकी खोज करते हैं।
बिंगो! वे आपके बैकग्राउंड को "123 मेन स्ट्रीट" पर ली गई एक फोटो से मिला देते हैं। आपकी लोकेशन उजागर हो जाती है।

आज के अधिकांश प्राइवेसी टूल्स धुंधले चश्मे (blurry glasses) की तरह हैं। वे बैकग्राउंड को छिपाने के लिए पूरे वीडियो को ही धुंधला कर देते हैं। लेकिन इससे वीडियो खराब हो जाता है! आप अब ट्रैफिक, पैदल यात्रियों या दृश्यों को नहीं देख पाते। यह सुरक्षा या विश्लेषण के लिए बेकार हो जाता है।

समाधान: PPEDCRF (एक "स्मार्ट स्पॉटलाइट")

लेखक एक नया सिस्टम प्रस्तावित करते हैं जिसे PPEDCRF कहा जाता है। पूरे वीडियो को धुंधला करने के बजाय, यह एक स्मार्ट स्पॉटलाइट की तरह काम करता है जो केवल बैकग्राउंड के उन विशिष्ट हिस्सों को छिपाता है जो आपकी लोकेशन का खुलासा करते हैं।

इसे इस तरह सोचें:

पुराना तरीका (Global Noise): आप पूरे वीडियो पर "स्टैटिक" (जैसे टीवी का शोर/झिलमिलाहट) छिड़क देते हैं। लोकेशन तो छिप जाती है, लेकिन वीडियो बहुत खराब दिखता है।
PPEDCRF का तरीका: आप स्मार्ट चश्मे पहनते हैं जो तुरंत "खतरनाक" बैकग्राउंड सुरागों (जैसे वह लाल ईंट वाली इमारत) की पहचान कर सकते हैं। फिर आप केवल उन विशिष्ट स्थानों पर एक "कोहरा" (fog) लगाते हैं, जिससे बाकी का वीडियो एकदम साफ़ रहता है।

यह कैसे काम करता है (तीन जादुई चरण)

पेपर में इस लक्ष्य को प्राप्त करने के लिए तीन चरणों वाली प्रक्रिया बताई गई है:

1. "डिटेक्टिव का मानचित्र" (Dynamic CRF)

सबसे पहले, सिस्टम को यह जानने की ज़रूरत है कि क्या छिपाना है। इसके लिए यह Dynamic Conditional Random Field (DCRF) नामक टूल का उपयोग करता है।

उदाहरण: कल्पना कीजिए कि एक सुरक्षा गार्ड एक कमरे में घूम रहा है। वह केवल अंदाज़ा नहीं लगाता; वह पूरे दृश्य को देखता है और "संवेदनशील क्षेत्रों" (sensitive zones) का एक नक्शा बनाता है।
जादू: क्योंकि यह एक वीडियो है (न कि केवल एक फोटो), गार्ड वह याद रखता है जो उसने पिछले सेकंड में देखा था। यदि फ्रेम 1 में लाल इमारत संवेदनशील थी, तो फ्रेम 2 में भी वह संवेदनशील रहेगी। यह ठीक-ठीक कहाँ लोकेशन के सुराग छिपे हैं, इसका एक सुचारू और निरंतर मानचित्र बनाता है, जिससे वीडियो में कोई झिलमिलाहट या उछाल नहीं आता।

2. "वॉल्यूम नॉब" (NCP)

एक बार जब मानचित्र बन जाता है, तो सिस्टम को यह तय करना होता है कि कितना छिपाना है।

उदाहरण: एक स्टीरियो पर वॉल्यूम नॉब (volume knob) के बारे में सोचें। कभी-कभी आपको केवल एक फुसफुसाहट (थोड़ा शोर) की आवश्यकता होती है; अन्य समय में आपको एक चिल्लाहट (बहुत अधिक शोर) की आवश्यकता होती है।
जादू: सिस्टम शोर की ताकत को समायोजित करने के लिए "Normalized Control Penalty" (NCP) का उपयोग करता है। यदि कोई बैकग्राउंड सुराग बहुत स्पष्ट है (जैसे एक बड़ा "मैं यहाँ हूँ" वाला साइन), तो यह शोर को ऊँचा कर देता है। यदि सुराग सूक्ष्म है, तो यह शोर को कम कर देता है। यह सुनिश्चित करता है कि हम ज़रूरत से ज़्यादा चीज़ें न छिपाएँ।

3. "अदृश्य स्याही" (Calibrated Noise)

अंत में, सिस्टम वास्तविक गोपनीयता सुरक्षा जोड़ता है।

उदाहरण: संवेदनशील स्थानों पर काले पेंट से रंगने के बजाय (जो तस्वीर खराब कर देता है), यह उन पर अदृश्य ग्लिटर (चमक) छिड़कता है (Gaussian noise)। मानवीय आँखों के लिए, यह लगभग एक जैसा ही दिखता है। लेकिन "डिजिटल डिटेक्टिव" के कंप्यूटर एल्गोरिदम के लिए, यह ग्लिटर उन अनूठे पैटर्न को बिखेर देता है जिनकी उसे लोकेशन मिलाने के लिए आवश्यकता होती है।
परिणाम: डिटेक्टिव बैकग्राउंड को मिलाने की कोशिश करता है लेकिन विफल हो जाता क्योंकि "ग्लिटर" ने पैटर्न को तोड़ दिया है। इस बीच, वीडियो देखने वाला इंसान सड़क, कारों और मौसम को पूरी तरह से देख सकता है।

यह बेहतर क्यों है? ("6 dB" का लाभ)

पेपर साबित करता है कि यह तरीका गुणवत्ता के मामले में एक बड़ी जीत है।

तुलना: यदि आप सुरक्षा के एक निश्चित स्तर तक अपनी लोकेशन छिपाना चाहते हैं, तो पुराना "सब कुछ धुंधला करने वाला" तरीका वीडियो को एक कीचड़ जैसा धुंधला बना देता है (कम गुणवत्ता)।
PPEDCRF की जीत: क्योंकि PPEDCRF केवल ज़रूरी हिस्सों को ही छिपाता है, इसलिए वीडियो पुराने तरीके की तुलना में 6 डेसिबल (dB) अधिक स्पष्ट रहता है।
वास्तविक दुनिया का अर्थ: कल्पना कीजिए कि दो फोटो हैं। एक थोड़ी दानेदार (grainy) है लेकिन आप चेहरे और विवरण स्पष्ट रूप से देख सकते हैं। दूसरी इतनी दानेदार है कि आप आकृतियों को भी मुश्किल से पहचान पा रहे हैं। PPEDCRफ आपको पहली फोटो देता है; पुराना तरीका आपको दूसरी फोटो देता है। आपको समान गोपनीयता मिलती है, लेकिन वीडियो बहुत अधिक उपयोगी होता है।

"टेस्ट ड्राइव" के परिणाम

शोधकर्ताओं ने 8 अलग-अलग प्रकार के "डिजिटल डिटेक्टिव" (विभिन्न AI मॉडल) के खिलाफ इसका परीक्षण किया।

स्कोर: 24 में से 23 परीक्षणों में, सिस्टम ने डिटेक्टिव्स को भ्रमित करने में सफलता प्राप्त की, जिससे वे लोकेशन खोजने में विफल रहे।
एक खामी: एक बहुत ही उन्नत डिटेक्टिव (जिसे MixVPR कहा जाता है) था जिसे चकमा देना थोड़ा कठिन था, लेकिन बाकी सभी के लिए, सिस्टम ने पूरी तरह से काम किया।
निष्कर्ष: यह हर संभव भविष्य के AI के खिलाफ काम करने वाला कोई जादुई ढाल नहीं है, लेकिन यह एक अत्यंत प्रभावी, व्यावहारिक उपकरण है जो आपको अपनी लोकेशन उजागर किए बिना सुरक्षित रूप से वीडियो साझा करने की अनुमति देता है।

सारांश

PPEDCRF वीडियो प्राइवेसी के लिए एक सटीक इरेज़र (precision eraser) की तरह है।

पुराना तरीका: पूरा पेज मिटा दें ताकि कोई कुछ भी न पढ़ सके। (प्राइवेसी: अच्छी। उपयोगिता: शून्य।)
PPEDCRF: केवल उन विशिष्ट शब्दों को मिटाएं जो आपका पता बताते हैं, जिससे बाकी की कहानी पढ़ने योग्य बनी रहे। (प्राइवेसी: अच्छी। उपयोगिता: उच्च।)

यह हमें सुरक्षा और प्रशिक्षण के लिए डैशकैम फुटेज, ड्रोन वीडियो और बॉडी-कैम रिकॉर्डिंग को बिना गलती से यह बताए कि हम वास्तव में कहाँ खड़े थे, साझा करने की अनुमति देता है।

यहाँ "PPEDCRF: Dynamic-CRF-Guided Selective Perturbation for Background-Based Location Privacy in Video Sequences" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वीडियो अनुक्रमों (video sequences) में एक विशिष्ट गोपनीयता खतरे को संबोधित करता है: बैकग्राउंड-आधारित स्थान पुनर्प्राप्ति (background-based location retrieval)।

संदर्भ: मोबाइल द्वारा रिकॉर्ड किए गए वीडियो (डैशकैम, ड्रोन, बॉडीकैम) अक्सर ऑडिटिंग या मॉडल प्रशिक्षण के लिए अपलोड किए जाते हैं। हालांकि स्पष्ट मेटाडेटा (GPS) हटा दिया जाता है, लेकिन दृश्य पृष्ठभूमि (लैंडमार्क, सड़क का लेआउट, संकेत) शेष रह जाता है।
खतरा मॉडल (Threat Model): एक हमलावर विज़ुअल प्लेस रिकग्निशन (VPR) या इमेज रिट्रीवल तकनीकों का उपयोग करके, जारी किए गए वीडियो फ्रेम को जियो-टैग्ड संदर्भ छवियों के एक बड़े गैलरी से मिला सकता है ताकि रिकॉर्डिंग स्थान का पता लगाया जा सके।
मौजूदा समाधानों की सीमाएँ:
- ग्लोबल परटर्बेशन (Global Perturbation): पूरे फ्रेम पर गाऊसी शोर (Gaussian noise) या ब्लर लगाने से डाउनस्ट्रीम कार्यों (जैसे ऑब्जेक्ट डिटेक्शन, ट्रैफिक विश्लेषण) के लिए वीडियो की उपयोगिता नष्ट हो जाती है।
- फोरग्राउंड एनोनिमाइजेशन (Foreground Anonymization): मौजूदा तरीके चेहरों या लाइसेंस प्लेटों को धुंधला करने पर ध्यान केंद्रित करते हैं, यह अनदेखा करते हैं कि स्वयं पृष्ठभूमि ही गोपनीयता का जोखिम है।
- एन्क्रिप्शन (Encryption): एन्क्रिप्शन डेटा ट्रांसमिशन के दौरान सुरक्षा प्रदान करता है, लेकिन जब फ्रेम को प्रोसेसिंग/एनालिटिक्स के लिए डिक्रिप्ट करना आवश्यक हो, तब नहीं।

लक्ष्य: एक ऐसा ढांचा विकसित करना जो केवल स्थान-संवेदनशील पृष्ठभूमि क्षेत्रों को चुनिलेक्टिव रूप से विचलित (perturb) करे ताकि जियो-लोकलाइजेशन को रोका जा सके, जबकि उच्च दृश्य गुणवत्ता और डाउनस्ट्रीम धारणा कार्यों के लिए उपयोगिता को बनाए रखा जा सके।

2. कार्यप्रणाली: PPEDCRF

प्रस्तावित ढांचा, PPEDCRF, एक कैलिब्रेटेड सेलेक्टिव परटर्बेशन पाइपलाइन है जो चार मुख्य चरणों से मिलकर बना है:

A. पाइपलाइन अवलोकन (Pipeline Overview)

प्रक्रिया इनपुट वीडियो अनुक्रम $X = \{I_t\}$ को निम्नलिखित प्रवाह के माध्यम से एक सैनिटाइज्ड अनुक्रम $X' = \{I'_t\}$ में बदल देती है:
$I_t \xrightarrow{\text{Unary}} u_t \xrightarrow{\text{DCRF}} p_t \xrightarrow{\text{NCP}} \alpha_t \xrightarrow{\text{Noise}} I'_t$

B. डायनेमिक कंडीशनल रैंडम फील्ड (DCRF) मास्क इन्फरेंस

यह पहचानने के लिए कि कहाँ विचलित करना है, सिस्टम एक स्थान-संवेदनशील बैकग्राउंड मैप का अनुमान लगाता है।

यूनरी प्रेडिक्शन (Unary Prediction): एक न्यूरल नेटवर्क $g_\theta$ प्रत्येक फ्रेम के लिए प्रति-पिक्सेल स्थान-संवेदनशीलता लॉजिट्स ( $u_t$ ) की भविष्यवाणी करता है।
टेम्पोरल और स्पेशियल स्मूथिंग (Temporal & Spatial Smoothing): एक डायनेमिक CRF इन लॉजिट्स को एक निरंतर मास्क ( $p_t$ $p_{t}$ ) में परिष्कृत करता है। यह शामिल करता है:
- स्पेशियल कंसिस्टेंसी (Spatial consistency): एवरेज-पूलिंग आधारित स्मूथिंग का उपयोग करके।
- टेम्पोरल कंसिस्टेंसी (Temporal consistency): ऑप्टिकल फ्लो (या वार्पिंग) का उपयोग करके यह सुनिश्चित करना कि मास्क आस-पास के फ्रेमों में स्थिर रहे, जिससे फ्लिकरिंग (flickering) को रोका जा सके।
- परिणाम: एक स्थिर, समय-सुसंगत मास्क जो जियो-लोकलाइजेशन के लिए महत्वपूर्ण बैकग्राउंड क्षेत्रों की पहचान करता है।

C. नॉर्मलाइज्ड कंट्रोल पेनल्टी (NCP)

परिष्कृत मास्क को शोर की तीव्रता को नियंत्रित करने के लिए रीस्केल किया जाता है।

NCP मैप ( $\alpha_t$ ) $p_t$ द्वारा परिभाषित संवेदनशील क्षेत्रों के भीतर शोर के आयाम (amplitude) को नियंत्रित करता है।
फॉर्मूला: $\alpha_t = \alpha \cdot \frac{p_t}{\max(p_t) + \epsilon}$ , जहाँ $\alpha$ एक ग्लोबल कंट्रोल नॉब है। यह सुनिश्चित करता है कि उच्च विश्वास वाले संवेदनशील पिक्सेल अधिक तीव्र विक्षोभ प्राप्त करें।

D. DP-स्टाइल कैलिब्रेशन और सेलेक्टिव परटर्बेशन

सिस्टम केवल अनुमानित बैकग्राउंड क्षेत्रों में गाऊसी शोर इंजेक्ट करता है।

कैलिब्रेशन: यह एक गाऊसी-मैकेनिज्म से प्रेरित नियम का उपयोग करता है जो उपयोगकर्ता द्वारा चुने गए प्राइवेसी बजट ( $\varepsilon, \delta$ $ε, δ$ ) को एक बेस नॉइज़ स्केल ( $\sigma_0$ $σ_{0}$ ) से मैप करता है।
- नोट: लेखक स्पष्ट करते हैं कि यह वीडियो अनुक्रम के लिए एक औपचारिक एंड-टू-एंड डिफरेंशियल प्राइवेसी (DP) गारंटी नहीं है, बल्कि शोर की तीव्रता को नियंत्रित करने के लिए एक व्यावहारिक कैलिब्रेशन नियम है।
इंजेक्शन: सैनिटाइज्ड फ्रेम को इस प्रकार बनाया जाता है:
$I'_t = \text{clip}(I_t + \alpha_t \odot p_t \odot \eta_t, 0, 255)$
जहाँ $\eta_t \sim \mathcal{N}(0, \sigma_0^2 I)$ । शोर केवल वहीं लगाया जाता है जहाँ $p_t$ गैर-शून्य (non-zero) है।

3. प्रमुख योगदान (Key Contributions)

एकीकृत सेलेक्टिव परटर्बेशन पाइपलाइन: स्थानिक-काल्पनिक सपोर्ट लोकलाइजेशन के लिए DCRF, आयाम नियंत्रण के लिए NCP, और रिलीज के लिए कैलिब्रेटेड गाऊसी शोर को एकीकृत करता है।
कैलिब्रेटेड प्राइवेसी-यूटिलिटी ट्रेड-ऑफ: एक व्यावहारिक ढांचा पेश करता है जो पेशेवरों को अपने शोर बजट को निरंतर रूप से समायोजित करने की अनुमति देता है, जो सख्त DP गारंटी और व्यावहारिक ऑपरेटिंग-पॉइंट नियंत्रण के बीच स्पष्ट अंतर करता है।
रिप्रोड्यूसिबल बेंचमार्क: 12 सिंथेटिक लोकेशन पेयर्स, 8 अटैकर बैकबोन्स (ResNet, CLIP, और VPR-विशिष्ट मॉडल जैसे CosPlace और MixVPR सहित) और 3 नॉइज़ सीड्स का उपयोग करके एक "कंट्रोल्ड पेयर्ड-सीन रिट्रीवल बेंचमार्क" स्थापित करता है, जो गोपनीयता बनाम उपयोगिता का कड़ाई से मूल्यांकन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन 120 कैंडिडेट सीक्वेंस, 12 पेयर्ड लोकेशन्स और 48 कैंडिडेट्स तक की गैलरी वाले एक नियंत्रित बेंचमार्क पर किया गया।

प्राइवेसी प्रदर्शन (Privacy Performance):
- PPEDCRF ने ResNet18 अटैकर की टॉप-1 रिट्रीवल सटीकता को 0.667 (रॉ) से घटाकर 0.361 ( $\sigma_0=8$ पर) कर दिया।
- 8 अलग-अलग अटैकर बैकबोन्स और 3 गैलरी साइज के माध्यम से, PPEDCRF ने 24 में से 23 बैकबोन-गैलरी सेल्स में नेगेटिव $\Delta$ (प्राइवेसी सुधार) दिखाया।
- अपवाद: MixVPR ने एक विशिष्ट कॉन्फ़िगरेशन में मामूली पॉजिटिव डेल्टा दिखाया, जिसे 'एडवर्स-ट्रांसफर एक्सेप्शन' के रूप में पहचाना गया।
यूटिलिटी (विजुअल क्वालिटी) प्रदर्शन:
- PSNR लाभ: समान गोपनीयता स्तर (टॉप-1 सटीकता) पर, PPEDCRF ग्लोबल गाऊसी शोर की तुलना में लगभग 6 dB अधिक PSNR सुरक्षित रखता है।
  - उदाहरण: $\sigma_0=16$ पर, दोनों विधियाँ टॉप-1 $\approx 0.083$ प्राप्त करती हैं। हालाँकि, PPEDCRF 30.16 dB PSNR बनाए रखता है, जबकि ग्लोबल नॉइज़ 24.23 dB तक गिर जाता है।
- मैच्ड-ऑपरेटिंग-पॉइंट विश्लेषण: जब इसे समान PSNR प्राप्त करने के लिए कैलिब्रेट किया जाता है, तो PPEDCRE और ग्लोबल नॉइज़ समान गोपनीयता प्राप्त करते हैं। PPEDCRF का लाभ समान नाममात्र शोर स्केल पर अधिक उपयोगिता प्रदान करना है, जो इसके स्थानिक संकेंद्रण (spatial concentration) के कारण संभव हुआ है।
टेम्पोरल कंसिस्टेंसी (Temporal Consistency):
- PPEDCRF, रैंडम मास्क या ग्लोबल नॉइज़ की तुलना में "फ्लिकर" (फ्रेम-टू-फ्रेम अंतर) को काफी कम कर देता है, जिसका श्रेय DCRF की टेम्पोरल स्मूथिंग को जाता है।
- डिटरमिनिस्टिक बेसलाइन्स (ब्लर/मोज़ेक) में सबसे कम फ्लिकर था, लेकिन PPEDCRF ने स्टोकेस्टिक प्राइवेसी और टेम्पोरल स्थिरता के बीच सबसे अच्छा संतुलन प्रदान किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

व्यावहारिक मूल्य: PPEDCRF "उपयोगिता हानि" की समस्या को हल करता है जो ग्लोबल एनोनिमाइजेशन में निहित है। यह डेटा को एनालिटिक्स (जैसे ट्रैफिक मॉनिटरिंग, सुरक्षा ऑडिट) के लिए जारी करने की अनुमति देता है बिना विशिष्ट भौगोलिक स्थान को प्रकट किए।
मैकेनिज्म अंतर्दृष्टि: अध्ययन दर्शाता है कि सपोर्ट लोकलाइजेशन (यह पहचानना कि कहाँ विचलित करना है) सबसे महत्वपूर्ण घटक है। जबकि टेम्पोरल कंसिस्टेंसी और NCP पद्धतिगत रूप से महत्वपूर्ण हैं, प्राथमिक गोपनीयता लाभ पूरे चित्र के बजाय बैकग्राउंड क्षेत्रों पर शोर को केंद्रित करने से आता है।
सीमाएँ: बेंचमार्क एक विशाल GPS-आधारित डेटासेट के बजाय विजुअल समानता पर आधारित एक "प्रॉक्सी" है। यह विधि इस धारणा पर निर्भर करती है कि DCRF स्थान-संवेदनशील क्षेत्रों की सटीक पहचान कर सकता है, जो दृश्य जटिलता के साथ बदल सकता है।
भावी कार्य: लेखक बड़े पैमाने पर क्रॉस-व्यू और स्ट्रीट-व्यू डेटासेट का उपयोग करके अटैकर-अनुकूली (attacker-adaptive) परटर्बेशन रणनीतियों का पता लगाने का सुझाव देते हैं।

कोड उपलब्धता: इसका कार्यान्वयन ओपन-सोर्स है: https://github.com/mabo1215/PPEDCRF।