Jun, 2022

GAN 生成样本的隐私属性

PDF
TL;DR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})。
generative adversarial networksprivacy guaranteesdifferential privacymembership inference attacksgeneralization properties
发现论文，激发创造
  • 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

  • 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

  • 防范 GANs 中的成员推断攻击以保护隐私

    生成对抗网络和会员推断攻击的防御策略，其中包括最大熵 GAN 和互信息最小化 GAN，提供了在保护隐私的同时保持合成数据质量的方法。

    Nov, 2023

  • 关于生成对抗网络的一些理论性质

    本文通过分析数学和统计学特性，研究生成式对抗网络与 Jensen-Shannon 散度的深刻联系，并提供鉴别器族群的逼近论证及样本估计分布的大样本性质，特别地证明了中心极限定理。

    Mar, 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

  • 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

  • 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

  • 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

  • 隐式生成模型中的学习

    本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

    Oct, 2016

  • 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