May, 2022

GeoPointGAN: 带有局部标签差分隐私的合成空间数据

PDF
TL;DRGeoPointGAN 是一种基于 GAN 的解决方案，用于生成具有高效和隐私保证的合成空间点数据集，具有标签局部差分隐私保证，并通过随机响应机制将‘真实’和‘虚假’数据的标签翻转来实现。实验结果表明，与竞争对手相比，GeoPointGAN 的性能显着提高了 10 倍，同时实现了较强的隐私保护和机器学习性能。
synthetic data generationspatial dataprivacy guaranteeslabel local differential privacygeopointgan
发现论文，激发创造
  • 生成合成室内位置数据的差分隐私生成对抗网络

    使用差分隐私生成对抗网络的室内定位框架，为保护隐私同时保持定位系统的准确性提供解决方案。

    Apr, 2024

  • 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

  • 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

  • 一种用于医学应用的生成模型潜空间中的隐私保护行走

    使用生成对抗网络（GANs）生成的样本能够匹配目标分布，在解决隐私问题时，我们提出了一种潜空间导航策略，以生成多样化的合成样本，支持深度模型的有效训练，并在原则性上解决隐私问题。我们的方法借助辅助身份分类器作为导航引导，在潜空间中非线性地游走，从而降低与真实样本的近重复冲突的风险。我们实验证明，相比于线性插值，使用我们的游走策略可以更安全地指引任意两点之间的路径。我们将这种策略与 k-same 方法相结合，在结核病和糖尿病视网膜病变分类的两个基准测试中，通过使用我们的方法生成的样本进行模型训练，我们成功缓解了性能下降问题，同时保护数据隐私。

    Jul, 2023

  • ST-DPGAN：一种隐私保护的时空数据生成框架

    提出了一种基于图神经网络生成隐私保护的时空数据的模型，利用空间和时间注意力模块以及时空卷积结构实现了高效的差分隐私训练。通过在真实的时空数据集上进行广泛实验验证了该模型的有效性，能够保证数据的隐私性同时保持数据的实用性，由该生成数据训练的预测模型与原始数据训练的模型具有竞争性能。

    Jun, 2024

  • 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

  • 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

  • 全局与本地化生成对抗网络

    本文提出了一个新颖的局部生成对抗网络（Localized GAN），使用局部坐标系向量化真实数据的不同局部几何变换。在正交先验的作用下避免了流形局部坍塌到低维切向子空间，降低了模式崩溃的风险。用提出的 LGAN 训练分类器不仅能获得更优结果，而且分类结果是在流形中的局部连续性解释，与拉普拉斯 - 贝尔特拉米算子密切相关。

    Nov, 2017

  • 基于 GAN 的皮肤病应用生成建模 -- 比较研究

    利用生成对抗网络 (GANs) 创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件 GANs 的性能以及其在现实和理想情况下生成病变数据的能力，并说明了 GANs 训练过程中潜空间和嵌入可视化的技术，以及 GANs 的真实性和泛化性评估等问题。

    Aug, 2022

  • 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