Jul, 2023

一种用于医学应用的生成模型潜空间中的隐私保护行走

PDF
TL;DR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。
generative adversarial networksprivacy concernslatent spacesynthetic samplesprivacy preservation
发现论文，激发创造
  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • 3D GANs 和潜空间：综合调查

    本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

    Apr, 2023

  • ClusterGAN：生成对抗网络中的潜空间聚类

    本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制，通过从一热编码变量和连续变量的混合中采样潜变量，再结合一个特定于聚类的损失函数，与一个将数据投影到潜空间的逆网络共同训练，我们能够在潜空间中进行聚类。结果表明，GAN 可以保留类别之间的潜空间插值，即使鉴别器从未接触过这些向量，并且在合成和真实数据集上，我们的结果比各种聚类基线表现更好。

    Sep, 2018

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 一种生成对抗网络潜空间下的马里奥场景渲染方法

    使用品质多样性算法对生成对抗网络中的潜空间进行有效探索，进而提取游戏级别，并展示如何在保持风格相似性的情况下提取具有不同级别机制的高质量级别。

    Jul, 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

  • 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

  • 生成对抗网络的潜空间的语义分解

    本研究提出一种新的算法用于训练生成式对抗网络，并联合学习身份（例如个人）和观察（例如具体照片）的潜在代码。我们使用成对的训练模式，可生成多样的相同主题图像，并保持灯光和姿势等相关方面的特征，进而提高图像的真实感。结果表明，基于 Siamese 辨别器进行的训练能够生成逼真的与身份相符的照片。

    May, 2017

  • SwipeGANSpace：通过高效的潜空间探索实现滑动比较图像生成

    使用生成对抗网络 (GANs) 生成偏好图像具有挑战性，因为潜在空间的高维性质。本研究提出了一种新方法，利用简单的用户滑动交互来生成用户偏好图像。为了有效地利用仅滑动交互的潜在空间，我们对 StyleGAN 的潜在空间应用主成分分析，创建有意义的子空间。我们使用多臂老虎机算法来决定要探索的维度，着重关注用户的偏好。实验证明，与基准方法相比，我们的方法在生成用户偏好图像方面更高效。此外，观察到在图像生成过程中偏好图像的变化或完全不同的图像风格的显示提供了新的灵感，从而改变了用户的偏好。这凸显了用户偏好的动态性，而我们提出的方法能够认识并增强这种动态性。

    Apr, 2024

  • 训练的潜在空间导航：在基于样式的模型生成的图像中预防缺乏逼真感

    本文介绍了一种简单的无监督方法，用于提供训练良好的局部潜在子空间，使得通过潜在编码的导航能够保持生成图像的真实感。实验证明，在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感，并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。

    Oct, 2023