Jun, 2020

GS-WGAN: 一种梯度消毒方法用于学习差分隐私生成器

HTML
PDF
TL;DR本文提出了Gradient-sanitized Wasserstein Generative Adversarial Networks（GS-WGAN）模型，能够处理高度敏感的数据，具备严格的隐私保障，并通过大量实验证明，相比其他方法有更好的效果。
发现论文，激发创造
  • LOGAN:针对生成模型的成员资格推理攻击

    本文提出了首个针对生成模型的成员推断攻击方法，使用生成对抗网络检测过度拟合并识别训练数据，发现缺陷对于不同的训练参数有不同的灵敏度，防御方法不够有效并会导致生成模型在训练稳定性或样本质量方面表现较差。

    May, 2017

  • 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

  • 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

  • SGD学习WGAN中的一层网络

    本文研究生成式对抗网络的一种成功变体 Wasserstein GANs，并证明在生成器为一层网络时，使用随机梯度上升下降法可以在多项式时间和样本复杂度内收敛到全局最优解。

    Oct, 2019

  • DP-CGAN：差分隐私合成数据和标签生成

    通过引入一种新的剪辑和扰动策略，基于 Renyi 差分隐私监管机制，提出了一种差分隐私条件生成式对抗网络（DP-CGAN）训练框架，用于在保持培训数据隐私的同时提高模型性能，实验结果表明DP-CGAN可以通过单一的差分隐私 epsilon 参数在 MNIST 数据集上生成视觉和实验上有前途的结果。

    Jan, 2020

  • GRNN: 生成回归神经网络--针对联邦学习的数据泄漏攻击

    本文介绍了一种名为GRNN的新方法，该方法利用了生成对抗网络（GAN）来恢复共享梯度中的隐私信息。结果表明，这种方法在图像分类任务中表现出更好的稳定性、更强的鲁棒性和更高的准确性，同时无需全局FL模型的收敛要求，具有非常多的实用价值。

    May, 2021

  • 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

  • 使用差分隐私条件生成对抗网络改善在生成不平衡数据中的相关性捕捉

    本文提出了DP-CGANS，一个不同ially private conditional GAN框架，旨在生成逼真且保护隐私的表格数据，其通过数据变换、采样、条件和网络训练进行操作，特别考虑到变量依赖性等挑战，并在多个数据集上展示了模型优越性。

    Jun, 2022

  • CasTGAN:级联生成对抗网络用于逼真的表格数据合成

    本文提出了一个级联表格生成对抗网络框架（CasTGAN），可生成更逼真的表格数据，模型能捕捉实际数据的限制和相关性，并通过对辅助学习者进行扰动来提高模型抵抗特定攻击的整体稳健性。

    Jul, 2023

  • GE-AdvGAN：基于梯度编辑的对抗生成模型改进对抗样本的可传递性

    通过优化生成器参数的训练过程并引入梯度编辑机制，GE-AdvGAN算法能够生成高度可迁移的对抗样本并在执行时间上与现有方法相比保持最小化。

    Jan, 2024