Aug, 2019

生成对抗网络中的泛化：来自隐私保护的新视角

PDF
TL;DR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。
generative adversarial networkprivacy protectiondifferential privacybayesian ganmembership attack
发现论文，激发创造
  • GAN 生成样本的隐私属性

    通过研究生成式对抗网络，我们证明了一定条件下，GAN 生成的样本天然满足一定程度的隐私保障，即 ε，δ 差分私有性。同时，我们研究了对成员身份推断攻击的鲁棒性，并证明了对手的区分能力至少为 O (m^{-1/4})。

    Jun, 2022

  • 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

  • 提高生成对抗网络的泛化能力和稳定性

    本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

    Feb, 2019

  • 生成对抗网络：面向私密和安全应用的调查

    本论文对生成对抗网络在隐私和安全领域的最新研究进行了综述和分类分析，探讨了潜在的应用以及未来的研究方向。

    Jun, 2021

  • 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

  • 上下文感知生成对抗隐私

    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。

    Oct, 2017

  • 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

  • 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和均衡

    通过对生成对抗网络的训练，我们发现它可能没有良好的泛化特性，并且展示了训练成功不代表训练的分布接近目标分布，但是泛化确实存在于弱度量的神经网络距离中。我们证明了当生成器容量和训练集大小适中时，鉴别器 / 生成器博弈存在近似的纯平衡，这启发了 MIX+GAN 协议的存在可以与任何现有的 GAN 训练相结合，并在实践中改善了其中一些。

    Mar, 2017

  • 通过生成的渐变泄露审计联邦学习中的隐私防御

    本文探讨了如何避免在联邦学习框架下，通过梯度信息泄露用户隐私的问题，并提出了一种名为生成梯度泄露的新型隐私泄露方法。作者为了解决这个问题，探讨了各种无梯度优化方法，并相对于梯度优化方法实现了更好的高质量图像重建效果。

    Mar, 2022