上下文感知生成对抗隐私

Oct, 2017

Context-Aware Generative Adversarial Privacy

Chong Huang, Peter Kairouz, Xiao Chen, Lalitha Sankar, Ram Rajagopal

TL;DR引入一种新的基于生成式对抗网络（GANs）的上下文感知隐私框架 (GAP)，GAP 通过让数据持有者从数据集中学习隐私化策略，绕过了常见的挑战，即在提供可证明的隐私保护的同时保留数据集的实用性，具有很高的实用性并且能够应用在缺乏数据统计信息的情况下。

Abstract

Preserving the utility of published datasets while simultaneously providing provable privacy guarantees is a well-known challenge. On the one hand, context-free privacy solutions, such as differential privacy, provide strong privacy guarantees, but often lead to a significant reduction

data privacy generative adversarial networks differential privacy information theoretic privacy inference attacks

发现论文，激发创造

生成对抗隐私

本文介绍了一种数据驱动的框架 —— 生成对抗隐私（GAP），可以让数据持有者直接从数据中学习隐私保护机制，并提供了适当选择对抗损失函数时的隐私保证。

Jul, 2018

基于生成对抗网络的数据合成

该研究提出了一种名为 table-GAN 的方法，使用生成对抗网络（GANs）合成伪造表格，用于保证数据匿名性和模型兼容性。实验证明，该方法在隐私和模型兼容性之间取得平衡，同时解决了数据泄露问题。

Jun, 2018

生成对抗网络中的泛化：来自隐私保护的新视角

理论上我们证明了使用差分隐私算法来训练生成对抗网络（GAN）不会过度拟合，我们的新的隐私保护视角可以重新解释贝叶斯 GAN 等最新工作。通过各种成员攻击评估 GAN 模型的信息泄露，结果表明以前的 Lipschitz 规则技术不仅能够减少泛化间隙，而且还能减轻训练数据集的信息泄露。

Aug, 2019

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

为私有深度学习生成人工数据

利用生成对抗网络产生保护隐私的人造数据，限制潜在的隐私泄露，且成功地在此数据上训练和验证机器学习模型。

Mar, 2018

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

用于生物特征数据的连体生成对抗隐私保护器

本文探讨如何使用对抗性样本保护个人隐私信息，提出一种称为 SGAP 的方法，在保护隐私的同时最大程度地保留数据实用性，并在指纹和卡通脸生物数据集上验证了方法的有效性。

Apr, 2018

从私有化数据中训练生成模型

本文提出了一种基于局部差分隐私的生成对抗网络训练方法，通过熵正则化 Wasserstein 距离的组合使用来降噪数据分布，有效地缓解了正则化偏差和隐私噪声效应。

Jun, 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

PATE-TripleGAN：采用高斯差分隐私的隐私保护图像合成

通过引入分类器对未标记数据进行预分类并建立三方极小极大博弈，减少对标记数据的依赖性，PATE-TripleGAN 隐私保护训练框架结合 PATE 和 DPSGD 算法，使模型更有效地保留梯度信息，确保隐私保护，并提高模型的效用。

Apr, 2024