Mar, 2022

利用深度生成模型生成保护隐私的过程数据

PDF
TL;DR本文介绍了一种名为 ProcessGAN 的生成敌对网络模型，用于保护带有机密信息的过程数据，该模型通过表征学习从而生成与真实数据难以区分的合成数据，并在医学领域的真实数据集上进行了评估。
process data miningdata encryptionrepresentation learningprocess data generationprocessgan
发现论文，激发创造
  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    通过比较各种使用生成对抗网络的合成数据生成模型，研究证明了隐私保护生成对抗网络（PPGAN）模型在保护隐私的同时保持了可接受的生成数据质量，为将来医疗应用提供更好的数据保护。

    Feb, 2024

  • 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

  • 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

  • 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

  • 隐私保护机器学习的合成数据集生成

    提出一种从原始数据集生成安全合成数据集的方法，基于预训练的深度神经网络（DNN）的批量归一化（BN）层统计信息和随机噪声进行优化来匹配原始数据的层次统计分布。该方法可以用于从头开始训练神经网络来产生合理的分类性能。

    Oct, 2022

  • 使用生成对抗网络合成逼真的心电图

    本文研究应用生成对抗网络（GANs）生成真实且无隐私顾虑的电信号数据，用于医疗培训和数据分析，并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号，并且能够经受住简单的成员推断攻击，保证了训练集的隐私。

    Sep, 2019

  • 在差分隐私下生成表格数据集

    优化生成模型的质量和隐私之间的平衡，通过引入关注机制学习可逆的表格表示和差分隐私扩散模型来合成高质量的表格数据。

    Aug, 2023

  • 公平合成数据生成

    本研究提出一种通过预处理算法识别和删除偏差样本以生成更公平的合成数据的管道，可以有效地克服许多挑战，并在某些情况下提高性能。

    Oct, 2022

  • 利用半监督潜在过程的深度生成模型对复杂疾病轨迹进行建模

    我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和全面分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于进一步数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

    Nov, 2023

  • FFPDG：快速、公正、私密数据生成

    该研究提出一种快速、公平、灵活和私密的数据生成方法，通过理论和实验证明，使用该方法生成的数据训练的模型可以在真实应用场景中（推理阶段）表现良好。

    Jun, 2023