Mar, 2023

从私有到公开：在私有时间序列分类上进行 GAN 的基准测试

PDF
TL;DR本文旨在使用生成对抗网络（GAN）技术解决数据隐私问题，提出了一种保护数据隐私的公共数据生成方法，并在时间序列分类的应用领域中评估了两种 GAN 架构，其中 GSWGAN 表现突出。
deep learningprivacy preservationtime series classificationgan-based architecturesdata generation
发现论文，激发创造
  • GS-WGAN: 一种梯度消毒方法用于学习差分隐私生成器

    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。

    Jun, 2020

  • 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

  • 时序生成的条件 GAN

    本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

    Jun, 2020

  • 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

  • 针对时间序列、连续型和离散型开放数据的差分隐私生成对抗网络

    本文提出了一种隐私保护的数据发布框架，该框架基于差分隐私，可以适应不同类型的数据，使用深度学习和生成模型来生成数据，具有良好的效率和实用性，并在法国公共管理和经典基准数据集上进行了验证。

    Jan, 2019

  • 通过深度生成模型实现的差分隐私发布（技术报告）

    本文提出了一个名为 dp-GAN 的数据发布框架，采用差分隐私的方式对原始数据进行训练，从而可以生成任意数量的合成数据来进行各种分析任务，该框架具有理论上的隐私保证，保留了所发布模型的可接受效用，并且采用多重优化策略实现了实用的训练可扩展性和稳定性。

    Jan, 2018

  • 基于可视化的生成对抗网络在时间序列数据上的评估

    本文提出了一种基于可视分析技术的 “人机合作” 方法，使得机器学习专业人员和领域专家能够使用生成式对抗网络生成的时间序列数据进行质量评估，并且给出了一个基于两个不同 GAN 模型的有效比较结果。

    Dec, 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

  • 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：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