ICLRApr, 2019

用户定制的隐私保护数据分布式生成

PDF
TL;DR本文提出利用变分自动编码器生成数据的潜在表示形式并将其与小型生成滤波器相结合，以实现在保护用户隐私的同时提高机器学习模型的效果。通过对 MNIST，UCI-Adult 和 CelebA 等数据集进行实验，结果显示了该方法具有很高的准确性。
distributed devicesmachine learning modelsprivacy protectionlatent representationvariational autoencoder
发现论文，激发创造
  • 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

  • 隐私保护生成框架对抗成员推断攻击

    本文提出了一种隐私保护的生成模型，通过变分自编码器 (VAE) 的信息提取和数据生成能力，生成符合差分隐私要求的合成数据来防御成员推理攻击，并进行了实验验证。

    Feb, 2022

  • 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

  • 智能家居中用于合成数据生成的变分自编码生成对抗网络

    本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。

    Jan, 2022

  • 基于自编码器学习结构的可调节隐私性

    本文提出了一种利用自编码器结构来平衡数据提供商和推理中心隐私和效用之间权衡的方法，其中将数据分为私密和非私密部份并通过分类器将其与噪音合并，最后使用解码器将其重构，结果表明该方法比先前的方法具有更好的性能。

    Apr, 2023

  • 独立分布正则化用于私密图嵌入

    通过引入独立分布惩罚作为正则化项，我们提出了一种名为私有变分图自编码器（PVGAE）的新方法，特别地，我们通过使用两组编码器来学习敏感和非敏感潜在表示，同时引入了一种新的正则化方法来强制编码器的独立性，实验证明 PVGAE 在私有嵌入学习方面优于其他基线，并在效用性能和隐私保护方面取得了成功。

    Aug, 2023

  • 联邦分裂 GANs

    该论文提出了一个新的方法，通过使用生成对抗网络（GANs）的隐私保护属性来在用户设备上本地训练 ML 模型，并使用分割学习（SL）在设备之间共享计算负载，从而保护数据隐私且具有短训练时间和模型准确性。

    Jul, 2022

  • 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

  • 具有外部隐私泄露分析的分散协同学习框架

    本文提出了两种分散式多任务学习在隐私约束下的方法论上的进展，旨在为下一代区块链平台的未来发展铺平道路。第一，我们扩展了协作字典学习 (CollabDict) 的现有框架，之前仅适用于高斯混合模型，通过将深度变分自动编码器 (VAE) 纳入框架，特别关注异常检测。我们证明了基于 VAE 的异常评分函数与非深层模型具有相同的数学结构，并进行了全面的定性比较。其次，考虑到 “预训练模型” 的广泛应用，我们对使用 CollabDict 训练的模型在外部共享时的数据隐私泄漏进行了数学分析。我们展示了 CollabDict 方法在应用于高斯混合模型时遵守 Renyi 差分隐私准则。另外，我们提出了一个实用的度量标准，用于监测学习过程中的内部隐私泄漏。

    Apr, 2024

  • 差分私有的生成神经网络混合模型

    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。

    Sep, 2017