Sep, 2017

差分私有的生成神经网络混合模型

PDF
TL;DR本文提出了一种隐私保护的生成模型发布技术，使用差分隐私的 $k$-means 算法将数据划分为 $k$ 个簇类，再由 $k$ 个基于神经网络的生成模型分别学习各自簇类的生成分布，从而合成具有隐私保护的合成数据集。实验结果证明该方法能够生成具有较高逼真度的合成样本，并且支持对生成数据的任意数量计数查询。
发现论文，激发创造
  • 具有鉴别信息的私有集生成

    本研究提出了一种基于判别信息的生成模型训练方法，通过优化一小部分样本的代表性，以实现高维数据的差分隐私保护，并有效提升了现有生成模型的样本效用。

    Nov, 2022

  • 差分隐私生成对抗网络

    本文通过在学习过程中添加特别设计的梯度噪声来实现差分隐私的生成对抗网络（DPGAN），以解决 GAN 在应用于私人或敏感数据时可能泄露关键信息的问题，并提供隐私保障的严格证明和全面的实证证据。

    Feb, 2018

  • 差分隐私深度生成模型的统一视角

    利用不同隐私保护方法在深度神经网络上进行私密训练，以实现维度较高的数据生成，并提出统一的方法以提供系统性的派生方法，满足不同用例的需求，探讨不同方法之间的优势、限制和内在相关性以启发未来研究，并提出前进的潜在途径以推动隐私保护学习领域的发展。

    Sep, 2023

  • 差分隐私数据生成模型

    提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型，这些模型可以有效地保护深度学习的隐私，并且经过评估具有较强的鲁棒性。

    Dec, 2018

  • 用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

    本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

    Aug, 2018

  • 深度学习差分隐私模型发布

    提出了一种基于集中差分隐私的神经网络训练方法，通过动态隐私预算分配和新的优化技术来提高模型准确性、训练效率和隐私保护能力。

    Apr, 2019

  • 利普希茨正则化变分自编码器生成差分隐私合成数据

    本文探讨了使用具有随机性生成模型的方法来实现隐私保护数据生成，通过将深度模型的连续模数限制在适当的范围内以获得隐私保护，并实验证明了其有效性。

    Apr, 2023

  • 通过深度生成模型实现的差分隐私发布（技术报告）

    本文提出了一个名为 dp-GAN 的数据发布框架，采用差分隐私的方式对原始数据进行训练，从而可以生成任意数量的合成数据来进行各种分析任务，该框架具有理论上的隐私保证，保留了所发布模型的可接受效用，并且采用多重优化策略实现了实用的训练可扩展性和稳定性。

    Jan, 2018

  • 使用卷积 GAN 产生差分隐私的合成医疗数据

    本篇论文提出了一种基于不同 ially private 框架和卷积自编码器以及卷积生成对抗网络生成合成数据的方法，以应对使用医疗记录数据所面临的隐私困难，该方法能够捕捉到原始数据中存在的时间信息和特征相关性，并在有监督和无监督情况下使用公开可用的标准医疗数据集，优于现有的同类方法。

    Dec, 2020

  • 针对时间序列、连续型和离散型开放数据的差分隐私生成对抗网络

    本文提出了一种隐私保护的数据发布框架，该框架基于差分隐私，可以适应不同类型的数据，使用深度学习和生成模型来生成数据，具有良好的效率和实用性，并在法国公共管理和经典基准数据集上进行了验证。

    Jan, 2019